桥梁临床微生物学和人工智能:一个基于图像的深度学习框架,用于自动化抗菌感应测试

科学领域:

• 医学微生物学 医学微生物学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 抗微生物耐药性 (AMR) 需要快速的,自动化的抗微生物敏感性测试 (AST).
• 目前的AST方法可能很慢,劳动密集,容易出现人为错误.
• 人工智能和计算机视觉方面的进步为改进诊断工作流提供了潜力.

研究的目的:

• 开发和验证一个完全基于图像的诊断框架,用于细菌识别和AST.
• 将YOLOv8n对象检测和卷积神经网络 (CNN) 集成在一起,用于对培养皿图像的自动分析.
• 与传统方法相比,评估系统的准确性,灵敏度和错误率.

主要方法:

• 一个双模型深度学习框架,结合YOLOv8n用于标签检测和CNN用于抑制区分析.
• 培训和测试在各种条件下对各种彼得里盘图像进行各种培训和测试.
• 使用mAP,平衡精度,灵敏度和非常主要错误 (VME) 率等指标评估模型性能.

主要成果:

• 在细菌物种标签本地化方面,YOLOv8n实现了mAP@0.50 > 0.93.
• 美国有线电视新闻网 (CNN) 证明了94.7%的平衡准确度和100%的敏感度对易受感染的病例.
• 该系统记录了0%的VME率,正确识别了所有易受感染的隔离物.

结论:

• 基于图像的系统为自动化AST提供了强大而可靠的解决方案.
• 这一框架有可能简化临床微生物学工作流程并减少诊断变化.
• 双模型系统的高可靠性预测提高了识别抗菌素耐药性的诊断准确性.