结合深度学习和滴滴微流体技术,进行快速且无标签的对胆固醇素抗菌敏感性测试

科学领域:

• 微流体学 微流体学
• 深度学习 (Deep Learning) 是一种深度学习.
• 抗微生物耐药性 抗微生物耐药性

背景情况:

• 抗生素敏感性测试 (AST) 对于有效使用抗生素至关重要,特别是在对抗多药耐药格拉姆阴性细菌的最后手段药物,如胆素.
• 目前的AST方法可能耗时,延迟适当的患者治疗.
• 对于快速,准确和高通量AST工具有着极大的需求.

研究的目的:

• 开发一种使用微流体和深度学习的快速,小型化和用户友好的素敏感性测定方法.
• 为了在几个小时内实现高通量细菌生长检测和分析.
• 为AST提供一种潜在的替代标准方法.

主要方法:

• 设计了一个微流体平台,将细菌封装在纳米升液滴中,用于自动增长检测.
• 直接明亮场成像被用于细菌生长分析在滴滴.
• 开发了一种深度学习算法 (DropDeepL AST),用于敏感的生长检测和易感性确定.

主要成果:

• 用DropDeepL AST方法确定了21个肠杆菌分离物的胆固醇敏感性概况,与黄金标准微稀释 (BMD) 方法相比100%的分类一致.
• 该测试仅在2小时内就取得了准确的结果,比传统方法快得多.
• 从尿样直接进行的AST在芯片上是成功的,需要最小的样本准备.

结论:

• 开发的基于微流体和深度学习的测定方法 (DropDeepL AST) 提供了快速准确的胆固醇敏感性测试方法.
• 这项技术有可能在微生物学实验室进行临床实施,以优化对多药耐药性感染的治疗.
• 该平台可适应测试各种抗生素,特别是最后一线药物.