快速的沙门氏菌血清细胞分类使用人工智能启用高光谱显微镜与增强数据预处理和多模式融合

科学领域:

• 微生物学 微生物学
• 频谱学是一种光谱学.
• 人工智能的人工智能

背景情况:

• 传统的沙门氏菌血清标识是耗时和资源密集的,依赖于多个丰富步骤和选择性介质.
• 快速准确地识别沙门氏菌血清型对于食品安全和公共卫生至关重要.
• 现有的方法往往缺乏高通量选所需的速度和效率.

研究的目的:

• 开发和验证使用人工智能和超光谱显微镜识别沙门氏菌血清菌的快速,独立于培养的方法.
• 为了比较基于AI的光谱,图像和多式联络分类方法的性能.
• 展示人工智能驱动的高光谱成像在简化细菌识别工作流程方面的潜力.

主要方法:

• 从五种沙门氏菌血清体 (Enteritidis,Infantis,肯塔基,约翰内斯堡,4,[5],12:i:-) 收集了高光谱数据,使用一种独立于种植方式.
• 数据分析涉及并行光谱 (手动特征选择与PCA) 和图像 (CNN) 分支,其次是多式联接.
• 机器学习模型 (k-NN,SVM,随机森林,MLP) 用于光谱分类,而CNN用于图像分类.

主要成果:

• 主要组件分析 (PCA) 衍生的光谱特征与机器学习相结合,实现了81.1%的准确性,优于手动特征选择.
• 仅仅使用图像特征进行卷积神经网络 (CNN) 分类,导致血清器歧视的准确性较低 (57.3%).
• 多模式的光谱和图像融合功能显著提高了分类准确度,在一个看不见的测试集上达到82.4%,同时减少了过拟合.

结论:

• 支持人工智能的高光谱显微镜为传统的沙门氏菌血清细胞识别方法提供了快速有效的替代方案.
• 频谱和图像数据的多式融合提供了优越的分类性能,而不是单独使用任何数据类型.
• 这种方法有可能在诊断和研究环境中显著简化沙门氏菌血清细胞识别工作流程.