简单的成像系统用于在资源有限的环境中无标签识别细菌病原体.
Clément Douarre1, Dylan David2, Marco Fangazio3,4
1Laboratoire d'Électronique et de Technologie de l'Information, French Alternative Energies and Atomic Energy Commission, Grenoble, France.
International journal of biomedical imaging
|November 28, 2024
概括
一个新的无透镜成像系统与深度学习相结合,为资源有限的环境提供快速,负担得起的细菌识别. 这种简单,高通量方法实现了91.7%的准确性,改善了先进工具无法使用的诊断.
科学领域:
- 微生物学 微生物学
- 医学诊断 医学诊断 医学诊断
- 生物光子学 生物光子学
背景情况:
- 准确的细菌鉴定对于有效的感染治疗至关重要,特别是在资源有限的环境中 (RLS).
- 像MALDI-TOF MS这样的现有方法通常对RLS来说过于昂贵和复杂,在撒哈拉以南非洲等地区的临床细菌学能力有限.
- 需要针对RLS量身定制的简单,负担得起和可维护的诊断工具.
研究的目的:
- 开发和验证一种适用于RLS的新型高通量细菌鉴定方法.
- 利用简单的广场无透镜成像系统和监督的深度学习算法进行细菌殖民地分析.
- 在资源有限的环境中解决现有诊断技术的局限性.
主要方法:
- 采用广场无透镜成像系统 (864毫米2) 捕获细菌殖民地在培养皿的大面积的图像.
- 开发并训练了一种监督的深度学习算法,以在殖民地规模上识别细菌.
- 该系统使用来自五种流行细菌物种的252个临床分离物的数据集进行了验证,以计算现实世界的变异性.
主要成果:
- 无镜头成像系统,没有移动的机械部件和光学,证明非常适合RLS.
- 对光学形态类型的分析揭示了显著的物种内和物种间变异性,反映了临床实践.
- 深度学习算法实现了高的正确物种识别率91.7%,尽管观察到的变化.
结论:
- 开发的方法为RLS的细菌识别提供了一个有希望的,高通量和成本效益的解决方案.
- 这项技术有可能在服务不足的地区显著提高诊断能力.
- 该研究向公众发布了数据集和识别算法,促进了进一步的研究和开发.


