一种机器学习方法,用于微热度测量模式分类的病原体在膜液体

科学领域:

• 生物医学工程 生物医学工程
• 传染病诊断 传染病诊断 传染病诊断
• 计算生物学 计算生物学

背景情况:

• 周围假肢关节感染 (PJI) 诊断依赖于传统的微生物培养,这是耗时的.
• 同热微热度计 (IMC) 提供实时病原体生长监测,但缺乏病原体识别能力.
• 开发快速准确的PJI诊断工具对于及时治疗和改善患者的治疗结果至关重要.

研究的目的:

• 实施和评估机器学习 (ML) 和转移学习卷积神经网络 (CNN) 模型,以使用IMC数据检测和识别PJI中的细菌病原体.
• 评估区分无菌和受感染的关节液样本的可行性.
• 确定ML模型在识别PJI的特定细菌菌株时的准确性.

主要方法:

• 收集了来自174个无菌和239个PJI突液样本的IMC数据,包括五种不同的细菌菌株.
• 应用了各种ML算法 (XGBoost,多层感知子,支持向量机,随机森林) 和三个转移学习CNN模型.
• 训练并测试了用于二进制PJI检测和多类病原体识别的模型.

主要成果:

• 在PJI检测中,XGBoost二进制分类器实现了100%的准确性.
• 多类XGBoost和组合转移学习CNN模型在识别细菌菌株时分别达到90.3%和91.5%的准确性.
• XGBoost模型展示了可解释的特征,有助于临床应用; 特别的挑战指出,对于*Pseudomonas aeruginosa* (PA) 召回和*Staphylococcus epidermidis* (SE) 精度.

结论:

• 机器学习模型可以有效地检测和识别使用IMC生长模式的PJI病原体.
• 这种整合增强了IMC的诊断实用性,使PJI诊断更快,并有针对性的抗生素选择.
• 该研究验证了PJI诊断的新快速方法,有可能改善患者管理.