使用机器学习辅助的阿加稀释剂确定最小抑制度

科学领域:

• 微生物学 微生物学
• 人工智能的人工智能
• 生物信息学是一种生物信息学.

背景情况:

• 抗菌素耐药性 (AMR) 构成全球健康威胁,需要准确的抗菌素敏感性数据.
• 传统的最小抑制度 (MIC) 方法是劳动密集型的,容易出错,需要大量的基础设施.
• 标准化MIC测量对于有效的AMR监测和政策制定至关重要.

研究的目的:

• 开发和验证一种人工智能 (AI) 模型,AIgarMIC,用于自动化和标准化使用稀释来确定MIC.
• 为了评估AIgarMIC的性能,与手动解释阿加稀释试验相比.
• 展示AI在临床微生物学中的实际应用,以增强数据生成.

主要方法:

• 对10种抗生素进行了阿格拉稀释,对1086种临床肠杆菌分离物进行了稀释.
• 用两步卷积神经网络 (CNN) 处理注射的亚格板的照片.
• 第一步CNN确定了细菌生长,而第二步CNN评估了基于殖民地形态的抗菌抑制.

主要成果:

• 第一阶段的人工智能模型在检测细菌生长方面实现了94.3%的准确性.
• 第二阶段的人工智能模型在分类殖民地抑制方面显示了88.6%的准确性.
• AIgarMIC与手动MIC确定达成98.9%的基本一致性,偏差为-7.8%.

结论:

• AIgarMIC有效地自动化了对阿加稀释MIC测试的终点评估.
• 人工智能工具有潜力增加吞吐量,并减少实验室障碍,以生成高质量的MIC数据.
• AIgarMIC通过提供标准化和可靠的抗菌素敏感性数据来支持大规模的监测计划.