基于深度学习的中性粒细胞活化表型在人体Candida血液感染中的表征

科学领域:

• 医学真菌学 医学真菌学
• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学

背景情况:

• 早期识别人类病原体对于治疗血液感染和预防败血症至关重要.
• 直接检测低病原体负载具有挑战性,这促使人们对使用宿主免疫细胞行为的间接检测方法进行调查.
• 之前的研究表明,当中性粒细胞接触到*Candida*物种时,它们会表现出特有的形态动力学行为,机器学习可以达到75%的差异化准确度.

研究的目的:

• 通过使用先进的深度学习方法,提高血流感染中*Candida*物种识别的分类准确性.
• 评估不同深度学习模型的效率和准确性,以分析中性粒细胞对真菌病原体的反应行为.
• 利用可解释的人工智能 (XAI) 来理解中性粒细胞的反应并识别关键诊断特征.

主要方法:

• 时间间隔显微镜被用来捕捉中性粒细胞对*Candida albicans*和*Candida glabrata*的反应中的形态动态行为.
• 深度学习模型,包括封闭的反复单元 (GRU) 网络,基于变压器的网络和卷积神经网络 (CNN) 进行了分类.
• 对个别的显微镜进行了CNN的应用,最终分类使用了多数投票技术. 使用可解释的人工智能 (XAI) 进行结果分析.

主要成果:

• 格鲁和变压器网络分别实现了96%和100%的准确性,但需要几个小时进行视频分析.
• 应用于单个的CNN在识别无病原体样本和在几分钟内区分*Candida*物种方面实现了100%的准确性.
• 该CNN方法展示了高精度和效率,超过了以前的机器学习方法.

结论:

• 卷积神经网络 (CNN) 提供了一种高度准确和高效的方法,用于自动区分真菌血流感染.
• 通过CNN分析的中性粒细胞形态动力学,作为快速*Candida*物种识别的可靠指标.
• 这种方法有可能开发血液中真菌感染的快速自动诊断工具,为宿主-病原体相互作用提供新的见解.