基于深度学习的自动图像处理工具,以稳定量化抗生素相互作用
Erik Hallström1, Nikos Fatsis-Kavalopoulos2, Manos Bimpis2
1Department of Information Technology, Uppsala University, Uppsala, Sweden.
PLOS digital health
|July 8, 2025
概括
一种新的深度学习方法使用CombiANT测试自动化抗生素耐药性测试. 这种由人工智能驱动的图像分析提高了组合治疗研究和临床应用的准确性和效率.
科学领域:
- 微生物学 微生物学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 抗生素耐药性对全球健康构成重大威胁.
- 组合疗法是对抗多药耐药细菌的关键策略.
- 康比安特试验方便了抗生素组合测试,但需要手动,易出错的分析.
研究的目的:
- 开发和验证基于深度学习的自动化图像处理方法,用于CombiANT测试.
- 为了提高 CombiANT 试验分析的准确性,速度和可重复性.
- 为了实现高效的大规模抗生素耐药性研究和临床应用.
主要方法:
- 开发一种深度学习模型,用于细菌生长细分和CombiANT板上的关键点测量.
- 测试自动化方法在100个盘子上,使用来自多个用户的手机图像.
- 将自动化分析结果与手动评分进行比较,以确保准确性和一致性.
主要成果:
- 这种自动化方法在CombiANT测试中在测量距离方面达到亚毫米精度.
- 在自动化分析和人类评分之间发现了显著的一致性 (平均绝对误差为[公式:见文本]mm).
- 该软件在不同的照片质量,照明条件和用户中展示了强度.
结论:
- 对CombiANT试验的自动深度学习分析提供了一个精确,快速和可靠的替代手动评分.
- 这项技术可以简化临床工作流程,促进大规模研究,并支持开发新的抗生素策略.
- 集成到智能手机应用程序中可以扩大对资源有限的设置的可访问性,帮助打击抗生素耐药性.
