对用于牛乳腺炎开发的多重亚格板上细菌生长分析的自动图像分类器的评估

科学领域:

• 兽医医学 兽医医学 兽医医学
• 微生物学 微生物学
• 人工智能的人工智能

背景情况:

• 快速识别导致乳腺炎的细菌对于有效治疗至关重要.
• 目前的方法往往需要训练有素的人员,限制了农场应用.
• 基于人工智能的图像分析为自动化细菌检测提供了潜在的解决方案.

研究的目的:

• 评估AI细菌分类器与黄金标准实验室方法对乳腺炎诊断的准确性.
• 评估样本运输对诊断结果的影响,使用农场与实验室分类器.

主要方法:

• 通过使用认可的实验室标准和AI图像细菌分类器 (Bacticam) 在SELMA+多板上分析了1,299个牛奶样本.
• 人工智能分类器确定了八种细菌类型.
• 在农场和实验室分类器设置和实验室之间比较了一组样本.

主要成果:

• 人工智能分类器为70%的合格样本 (共1212个) 提供了诊断.
• 对所有诊断都观察到高特异性;对于常见的病原体 (例如大肠杆菌,金黄色杆菌) 的敏感性很高,但对于罕见的病原体的敏感性较低.
• 62%的样本在农场/实验室分类器和实验室之间显示出一致的诊断,运输时间 (平均时间) (每小时) 约为2小时. 4.9天) 影响细菌生长,减少检测到的混合感染.

结论:

• 像Bacticam这样的人工智能驱动的自动图像分类器证明了在农场上诊断乳腺炎的巨大潜力.
• 这些工具可以支持有针对性的抗生素策略,并有助于减少兽医实践中抗菌剂的整体使用.
• 需要进一步精细化,以提高对不太常见的病原体的敏感性,并考虑到运输引起的变化.