使用机器学习对Proteus mirabilis的抗生素配置分类:对多维放射学特征的调查
Amir Khorasani1, Sharareh Moghim2, Jeroen Wagemans3
1Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran; Department of Bioimaging, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
Computers in biology and medicine
|September 11, 2024
概括
机器学习使用显微镜图像对Proteus mirabilis的抗生素耐药性进行了分类. 这种快速的方法有助于区分耐药菌株,打击抗菌素耐药性 (AMR) 的医疗威胁.
科学领域:
- 微生物学 微生物学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 抗菌素耐药性 (AMR) 是一个主要的全球健康问题.
- 导管相关性尿路感染 (CAUTIs) 的原因之一的Proteus mirabilis,显示出抗生素耐药性日益增加.
- 目前以培养为基础的细菌耐药性诊断是耗时的.
研究的目的:
- 开发一种快速且具有成本效益的方法来分类Proteus mirabilis的抗生素耐药性概况.
- 探索机器学习 (ML) 与微观成像和放射学相结合的应用,用于电阻分类.
- 为此分类任务评估不同ML模型的性能.
主要方法:
- 从CAUTI患者中收集了150个P.奇迹菌株.
- 使用基于波形和常规显微镜的成像与预处理 (消噪,正常化,面具创建).
- 提取和选择的放射学特征用于训练和测试具有5倍交叉验证的ML模型.
主要成果:
- 30%的菌株表现出多药耐药性,60%表现出强烈的生物膜活性.
- 随机森林 (RF) 算法获得了高性能:ACC=0.95,特异性=0.97,灵敏度=0.88,AUC=0.98.
- 使用射频进行基于波纹的放射学分析,证明了电阻分类的巨大潜力.
结论:
- 显微镜成像与放射学和ML相结合,为传统方法提供了精确和快速的替代方案.
- 这种方法有助于区分抗生素耐药的P. mirabilis菌株.
- 开发的方法代表了通过更快的诊断来打击AMR的重大进步.


