相关实验视频
Updated: Jul 10, 2026
09:30
Bacterial Detection & Identification Using Electrochemical Sensors
Published on: April 23, 2013
28.2K
通过使用人工智能启用的高光谱显微镜检测由低水平抗菌剂诱导的活跃但不可培养的大肠杆菌
MeiLi Papa1, Aarham Wasit2, Justin Pecora1
1Department of Biosystems and Agricultural Engineering, Michigan State University, East Lansing, MI 48824, USA.
Journal of food protection
|December 11, 2024
概括
这项研究引入了一种人工智能驱动的超光谱显微镜成像方法,以快速检测可行的但不可培养的 (VBNC) 细菌,这对食品安全至关重要. 人工智能模型准确地识别VBNC细菌,使公共卫生干预更快.
科学领域:
- 微生物学 微生物学
- 数据科学数据科学数据科学
- 食品安全 食品安全
背景情况:
- 在压力下,细菌可以进入可生存但不可培养 (VBNC) 状态,逃避标准检测方法.
- 快速识别VBNC细菌对于预防食源性疾病和确保公共健康至关重要.
- 目前用于VBNC检测的方法通常很慢,需要大量的丰富.
研究的目的:
- 为快速VBNC检测开发一个AI支持的高光谱显微镜成像 (HMI) 框架.
- 在大肠杆菌K-12中诱导和描述VBNC状态.
- 使用深度学习自动分类正常和VBNC细菌细胞.
主要方法:
- 在E. coli K-12中使用氧化和酸性压力因子诱导VBNC状态.
- 获取HMI数据以捕捉VBNC细胞中的生理变化.
- 在HMI衍生的伪RGB图像上训练了一个深度学习模型 (EfficientNetV2),用于分类.
主要成果:
- 在使用人工智能支持的HMI对VBNC细胞进行分类时,获得了97.1%的准确性.
- 人工智能-HMI模型显著优于使用标准RGB图像的分类 (83.3%的准确性).
- 证明了HMI在捕获VBNC状态的光谱和空间数据的有效性.
结论:
- 支持人工智能的HMI为快速和自动检测VBNC细菌提供了一个有希望的方法.
- 这项技术可以加强食品安全监测,并促进对食品传播疫情的及时干预.
- 该研究强调了将先进的成像和人工智能集成到微生物诊断中的潜力.
