BiFusionPathoNet:用于通过光学分散模式识别耐药细菌的融合网络
Yichuan Wang1, Xu He2, Mubashir Hussain1,3
1Engineering Research Center of Intelligent Theranostics Technology and Instruments, Ministry of Education, School of Biomedical Engineering and Informatics, Nanjing Medical University, Nanjing, 211166, China. liubin@njmu.edu.cn.
Analytical methods : advancing methods and applications
|January 13, 2025
概括
这项研究引入了一种使用光和拉曼散射来快速检测耐药细菌的AI驱动的方法,如耐甲基金黄色葡萄球菌 (MRSA). 多式联网方法实现了高精度,优于单信号方法.
科学领域:
- 生物技术是生物技术.
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 抗生素耐药性是一个日益增长的全球健康威胁,需要快速诊断工具.
- 对于有效的治疗,区分耐甲基金色葡萄球菌 (MRSA) 和对甲基敏感的金色葡萄球菌 (MSSA) 是至关重要的.
研究的目的:
- 开发和评估一种快速,准确的方法来识别耐药细菌,特别是MRSA.
- 为了比较单模 (MDLS或Raman) 和多模AI驱动检测模型的性能.
主要方法:
- 一个与光纤集成的微流体平台被用来收集来自细菌的多角度动态光散射 (MDLS) 和拉曼散射信号.
- 开发了三种人工智能模型:ResistNet (MDLS),SERB-CNN (拉曼) 和BiFusionPathoNet (多式融合).
主要成果:
- 在MDLS数据上,ResistNet实现了83.8%的准确性.
- 在公开的拉曼数据上,SERB-CNN的准确度达到91.84%,在定制数据上达到93.5%.
- 多模式模型BiFusionPathoNet的精度达到了96.8%,明显优于单模式方法.
结论:
- 将MDLS和拉曼散射信号与AI相结合的多模式策略对于快速准确地检测耐药细菌非常有效.
- 这种方法为及时诊断和管理MRSA等耐药病原体引起的感染提供了有希望的解决方案.
