CN113286891A - 使用机器学习的抗微生物易感性测试 - Google Patents

使用机器学习的抗微生物易感性测试 Download PDF

Info

Publication number
CN113286891A
CN113286891A CN201980086938.0A CN201980086938A CN113286891A CN 113286891 A CN113286891 A CN 113286891A CN 201980086938 A CN201980086938 A CN 201980086938A CN 113286891 A CN113286891 A CN 113286891A
Authority
CN
China
Prior art keywords
test
test mixture
machine learning
antimicrobial
mixture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980086938.0A
Other languages
English (en)
Inventor
凯瑟琳·S·塞
崎·C·陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beckman Coulter Inc
Original Assignee
Beckman Coulter Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beckman Coulter Inc filed Critical Beckman Coulter Inc
Publication of CN113286891A publication Critical patent/CN113286891A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/18—Testing for antimicrobial activity of a material
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
    • C12M41/14—Incubators; Climatic chambers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/251—Colorimeters; Construction thereof
    • G01N21/253—Colorimeters; Construction thereof for batch operation, i.e. multisample apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/60—In silico combinatorial chemistry
    • G16C20/64—Screening of libraries
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • Sustainable Development (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Thermal Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Toxicology (AREA)
  • Biophysics (AREA)

Abstract

经优化的测试方法用于确定用于样品的特定抗微生物剂的最低抑制浓度(MIC)。这可包括对接种有样品并且含有多种浓度抗微生物剂的孔进行迭代成像。此后处理图像以确定作为输入提供给机器学习模型的多种特征值。

Description

使用机器学习的抗微生物易感性测试
背景技术
可以通过分析患者的微生物体(microorganism)或“微生物(microbe)”来进行与患者诊断和治疗相关的多种类型的测试。微生物是微观的活生物，例如细菌、真菌或病毒，其可以是单细胞或多细胞的。含有患者的微生物的生物样品可以取自患者的感染物、体液或脓肿，并且可以放置在测试板或阵列中，与多种试剂组合、孵育和分析以帮助患者的治疗。已经开发了自动生化分析仪以满足医疗保健机构和其他机构的需求，以便于分析患者样品，并与使用手动操作的分析相比提高了测定结果的准确性和可靠性，并有助于确定多种抗微生物剂的有效性。抗微生物剂是杀伤微生物或抑制其生长的试剂，例如用于针对细菌的抗生素和用于针对真菌的抗真菌剂。然而，随着不断变化的细菌属和新发现的抗微生物剂，对生化测试的需求在复杂性和体积二者上都有所提高。
一类重要的自动微生物分析仪作为用于确定感染性微生物和有效控制该微生物生长的抗微生物剂二者的特性的诊断工具而发挥作用。自动微生物分析仪作为用于确定感染性微生物和有效控制该微生物生长的抗微生物剂二者的特性的诊断工具而发挥作用。在进行诊断测试时，确定了从生物样品中分离的微生物的识别和体外抗微生物易感性模式。这样的分析仪的常规形式可以将待测试的小样品放入包含经连续稀释的不同酶底物或抗微生物剂的板或阵列中的多个小样品测试孔中。微生物的识别(identification，ID)测试和用于确定对该微生物有效的抗微生物剂的最低抑制浓度(Minimum InhibitoryConcentration，MIC)的抗微生物易感性测试(antimicrobic susceptibility testing，AST)可以利用阵列中建立的样品测试孔中的颜色变化、荧光变化、浑浊程度(浊度)，或从该测试中得出的其他信息。AST和ID测量二者以及随后的分析都可以通过计算机控制的微生物分析仪进行，以提供可再现性、处理时间降低、避免转录错误以及实验室中运行的所有测试的标准化的优点。
在微生物的ID测试中，首先制备称为接种物的患者微生物样品的标准化稀释液(dilution)，以提供具有预定已知浓度的细菌或细胞悬液。将该接种物置于多个测试孔中，所述测试孔可包含或随后提供有预定的测试培养基。取决于存在的微生物的种类，该培养基将促进孵育之后颜色、浊度、荧光或其他特征的变化。这些变化用于确定ID测试中的微生物。
在AST测试中，多个测试孔填充有接种物和浓度逐步提高的许多不同抗微生物剂，例如抗生素。可以将不同抗微生物剂在生长培养基或液体培养基中稀释至包括临床感兴趣的浓度。孵育之后，在其中生长未被那些测试孔中的抗微生物剂抑制的情况下，测试孔中浊度将提高或不变。通过相对于每种抗微生物剂浓度的生长的缺乏来测量每种抗微生物剂的MIC。因此，显示出生长缺乏的最低抗微生物剂浓度是MIC。
附图说明
尽管本说明书以特别指出并清楚地要求保护本发明的权利要求书作出结论，但认为通过结合附图的对某些实施例的以下描述将更好地理解本发明，其中相同的附图标记表示相同的要素，并且其中：
图lA描绘了示例性生物测试系统的示意图的一部分；
图1B描绘了图1A的生物测试系统的示意图的另一部分；
图2描绘了图1B的生物测试系统的示例性培养箱系统和示例性光学系统的透视图；
图3描绘了图2的光学系统的透视图；
图4描绘了图2的光学系统的另一个透视图，其示出了光学系统的XY平台；
图5描绘了图2的光学系统的一部分的示意图；
图6描绘了示例性计算机系统的示意图；
图7描绘了微生物的理论生长曲线的图表；
图8描绘了用于图1A和1B的生物测试系统的示例性生长测试孔的示意图；
图9描绘了用于图1A和1B的生物测试系统的示例性图像分析循环；
图10描绘了由图2的光学系统捕获的示例性原始图像；
图11描绘了从图10的原始图像得出的示例性增强图像；
图12描绘了从图10的原始图像得出的示例性梯度图像；
图13描绘了示例性图像增强流程图；
图14描绘了示例性动态图像增强流程图；
图15描绘了从图10的原始图像得出的示例性分割图像；
图16描绘了示例性图像分割流程图；
图17描绘了具有细长单元的示例性微生物；
图18描绘了具有非细长单元的示例性微生物；
图19描绘了本发明的示例性经优化的抗微生物易感性测试方法；
图20描绘了可用于确定MIC的示例性决策树；
图21描绘了可用于确定MIC的示例性决策树；
图22描绘了可用于确定MIC的示例性决策树；
图23A描绘了可用于确定MIC的示例性决策树的一部分；
图23B描绘了可用于确定MIC的示例性决策树的一部分；
图24描绘了可以提供MIC预测的神经网络的示例性结构；和
图25描绘了可以进行生长/抑制预测的神经网络的示例性结构。
附图并不旨在以任何方式进行限制，并且预期本发明的多种实施方案可以以多种其他方式进行，包括不一定在附图中示出的方式。包含在说明书中并形成说明书一部分的附图举例说明了本发明的数个方面，并与说明书一起用于解释本发明的原理；然而，应理解，本发明不限于所示出的精确布置。
具体实施方式
以下对本发明某些实施例的描述不应用于限制本发明的范围。本发明的其他实例、特征、方面、实施方案和优点对于本领域技术人员而言将根据以下描述变得显而易见，所述描述通过举例说明，该方式是用于实施本发明的最佳方式之一。如将认识到的，本发明能够具有其他不同和明显的方面，所有这些都不背离本发明。因此，附图和描述本质上应被视为说明性的而非限制性的。
应理解，本文中描述的教导、表达、形式、实例等中的任何一个或更多个可以与本文中描述的其他教导、表达、形式、实例等中的任何一个或更多个组合。因此，以下描述的教导、表达、形式、实例等不应相对于彼此孤立地看待。鉴于本文中的教导，本文中的教导可以组合的多种合适方式对本领域普通技术人员而言将是显而易见的。这样的修改和变化旨在包含在权利要求书的范围内。
I.生物测试系统硬件
图1A和1B描绘了生物测试系统1中可用的多种硬件组件的图解示例。生物测试系统1促进了经优化的抗微生物易感性测试(AST)方法101(图19)。生物测试系统1广泛地包含消耗品准备系统3、接种系统5、培养箱系统7和光学系统9。一旦被使用者加载足够的材料，生物测试系统1内的多种系统就彼此协调且自动工作。
为了操作生物测试系统1，使用者首先获取适当的微生物样品。如图1A所示，可以从琼脂板11获得微生物样品，或者在某些情况下，从血液样品获得。接下来，使用者通过将微生物转移到含有合适的液体培养基或肉汤(broth)的管中来制备接种物混悬液。在图1A中将一个这样的管示出为接种物13。在生物测试系统1的一些形式中，液体培养基或肉汤可以是含有少量的氯化钠和氯化钾的约0.5mM磷酸盐缓冲溶液，以帮助维持引入到溶液中的微生物的生存力而没有不利地干扰MIC确定或其他相关测试。该磷酸盐缓冲溶液可用于ID测试和AST测试二者中，以使两个系统中对不同接种物的需要最小化，并利用具有单个肉汤的效率。将每个接种物13放入接种架15中，并将整个接种架15放入接种系统5中。一旦进入接种系统5，如果需要的话，将每个接种物13中的接种物调节至0.5麦克法兰(McFarland)标准浊度值以产生接种物17。在生物测试系统1的一些形式中，可以向使用者提供1微升塑料环或拭子以从琼脂板上容易地挑取菌落并使使接种物达到所需浊度值所需的调节的量最小化。一旦调节至所需的浊度值，该接种物就被完成。最终的接种物在下文中被称为接种物17，如图1B所示。接种物17可以进一步稀释成1∶250稀释液并转化成接种物18。如下面将更详细讨论的，将每个接种物17中含有的接种物施加至识别(ID)阵列保持器21，同时将包含在每个接种物18中的接种物施加至AST阵列保持器23。ID阵列保持器21和AST阵列保持器23二者均由消耗品准备系统3组装并提供至接种系统5以与接种物17和接种物18一起使用。
消耗品准备系统3装载有测试阵列19的库(magazine)，其可以包含设置在一系列测试孔20中的生物测试系统1所需的多种抗微生物剂或其他试剂。例如，测试阵列19可包含抗微生物剂稀释阵列或识别阵列。消耗品准备系统3还可以装载有体相稀释剂(未示出)和/或多种其他元件，用于准备和完成ID阵列保持器21和AST阵列保持器23以及在其中的接种。主要地，消耗品准备系统3根据需要操作以取回测试阵列19并将每个经取回的测试阵列19组合到ID阵列保持器21或AST阵列保持器23中。测试阵列19可以由机器人夹具(未示出)或由规定的测试决定的其他机械特征选择和组装。例如，医生可以使用抗生素阿莫西林指示生物测试。由此取回与阿莫西林测试有关的测试阵列19并将其组装到适当的ID阵列保持器21和AST阵列保持器23中。测试阵列19的全部或一些部分可以由苯乙烯材料形成，以帮助在对每个测试孔20进行数字检查时减少荧光串扰、落下灰(fallout)和/或气泡。
一旦接种物17、接种物18、ID阵列保持器21和AST阵列保持器23被组装，接种系统5将来自接种物17的大体上未稀释的接种物分配到ID阵列保持器21的测试孔20中，并将来自接种物18的经稀释的接种物分配到AST阵列保持器23的测试孔20中。将接种物17施加至ID阵列保持器21或将接种物18施加至AST阵列保持器23与设置在其中的微生物的对数生长开始之间的时间称为“滞后时间”。可以通过使用增强的肉汤(例如含有酵母提取物、维生素和/或矿物质的肉汤)来减少滞后时间。通过增加接种物也可以减少滞后时间。在生物测试系统1的一些形式中，接种物的量可以加倍以使滞后时间减少大约30分钟而不影响MIC确定的准确性。分配可以通过具有XY机器人或XYZ机器人(未示出)的升降机组件26完成，该机器人具有夹具(未示出)和移液器(未示出)，以及必要时的多种电路、通道和管道。XYZ机器人的任务是从接种架15中取回接种物并将接种物分配到ID阵列保持器21和AST阵列保持器23的测试孔20中。一旦ID阵列保持器21和AST阵列保持器23充分装载有接种物，则每个ID阵列保持器21和AST阵列保持器23就通过升降机组件26移动到培养箱系统7中。
如图2所示，培养箱系统7包括用于保持大量ID阵列保持器21和AST阵列保持器23的槽27。每个阵列保持器由使用夹具31的XYZ机器人29放置在相应的槽27中。XYZ机器人29操作以在XYZ平面的任何部分中移动并将夹具31定位在期望的ID阵列保持器21或AST阵列保持器23附近。当在培养箱系统7中时，每个阵列保持器在特定的所需环境条件下孵育。例如，孵化器系统7可以设置为在35摄氏度下孵育阵列保持器。在孵育期间的某些时间间隔，XYZ机器人29取回特定的ID阵列保持器21或AST阵列保持器23并将所选择的阵列保持器移动到光学系统9中。
如图2至4所示，光学系统9包含配置成观察、监测、查看和/或捕获ID阵列保持器21或AST阵列保持器23的每个测试孔20的图像的特征。具体地，每个ID阵列保持器21由ID荧光计33监测，并且每个AST阵列保持器23由AST照相机35监测。为了完成监测，XYZ机器人29用夹具31取回特定的阵列保持器并将所选阵列保持器放置在XY平台37上。XY平台37在XY平面中移动以将阵列保持器定位在相关的监测元件下方，即，ID阵列保持器21设置在ID荧光计33下方，且AST阵列保持器23设置在AST照相机35下方，用于光学系统9中的监测和观察。XY平台37包括精细调节的电动机控制，以允许相关阵列保持器的每个测试孔20精确地定位在ID荧光计33或AST照相机35的观察框内。
图5示出了光学系统9的AST光学部分39的示例性体系结构。AST光学部分39包括照明源41、物镜43、镜筒透镜45和折叠镜47。照明源41可包含聚光器LED系统，用于提供AST阵列保持器23的每个测试孔20的单色照明。物镜43可包含Nikon 20×0.45NA ELWD(超长工作距离)物镜、Olympus 10X物镜或任何其它合适类型的镜头。物镜43可包含20×物镜，其中每个像素覆盖约0.33微米。20×物镜提供了在细胞生长开始时检测合理数量的细胞(约100至200个细胞)的能力和检测细胞形态的能力。物镜43可包含用于每个测试孔20的更大动态范围和/或更大样品的10×物镜和/或5MP照相机，同时保持足够的分辨率以对其中的微生物进行计数。在光学系统9的一些示例性实施方案中，物镜43仅获取每次通过的每个测试孔20的一张照片或图像。物镜43可略微偏离测试孔20的底部以消除来自测试孔底部的背景噪声。在光学系统9的一些形式中，物镜43配置成偏离测试孔20的底部约5至10微米聚焦。在光学系统9的一些形式中，物镜43配置成偏离底部8微米聚焦。物镜43还可以包含Z平台44，用于允许物镜43相对于XY平台37在Z轴上移动。因此，在将AST阵列保持器23在XY平台中移动的XY平台37与将物镜43在Z轴中移动的Z平台44之间，阵列保持器23的每个测试孔20可以在任何三维空间中移动，以使测试孔20与AST照相机35的框架精确对准。镜筒透镜45可以体现在消色差镜筒透镜中。AST照相机35可包括Sony IMX253照相机、由另一些制造商(例如Canon、Thorlabs或Sentech)提供的多种类型的5兆像素照相机、或者任何其他合适类型的照相机。在光学系统9的一些形式中，XY平台37和Z平台44被XYZ平台代替，以提供测试孔20的三维移动的所有三个轴。
现在参考图6，生物测试系统1的多种组件可以包含一个或更多个计算设备或系统，例如示例性计算机系统49。例如，消耗品准备系统3、接种系统5、培养箱系统7和/或光学系统9中的任何一个可包含一个或更多个计算系统，例如示例性计算机系统49。或者，生物测试系统1的这些子系统中的每一个可通过来自例如示例性计算机系统49的一个整体计算系统的命令发挥作用。
计算机系统49可包含处理器51、存储器53、海量存储存储器设备55、输入/输出(I/O)界面57和人机界面(HMI)59。计算机系统49还可以经由网络63或I/O界面57可操作地耦合到一个或更多个外部资源61。外部资源可包括但不限于服务器、数据库、海量存储设备、外围设备、基于云的网络服务，或者计算机系统49可使用的任何其他合适的计算机资源。
处理器51可包含选自以下的的一个或更多个设备：微处理器、微控制器、数字信号处理器、微计算机、中央处理单元、现场可编程门阵列、可编程逻辑设备、状态机、逻辑电路、模拟电路、数字电路，或者基于存储在存储器53中的操作指令来操纵信号(模拟或数字)的任何其他设备。存储器53可包含单个存储器设备或多个存储器设备，其包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、易失性存储器、非易失性存储器、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、闪速存储器、高速缓冲存储器或能够存储信息的任何其他设备。海量存储存储器设备55可包括数据存储设备，例如硬盘驱动器、光盘驱动器、磁带驱动器、非易失性固态设备或能够存储信息的任何其他设备。
处理器51可以在驻留在存储器53中的操作系统65的控制下操作。操作系统65可以管理计算机资源，使得体现为一个或更多个计算机软件应用(例如驻留在存储器53中的应用67)的计算机程序代码可以具有由处理器51执行的指令。在可替选的实施方案中，处理器51可以直接执行应用67，在这种情况下，可以省略操作系统65。一个或更多个数据结构69也可以驻留在存储器53中，并且可以由处理器51、操作系统65或应用67用来存储或操纵数据。
I/O界面57可提供机器界面，该机器界面将处理器51可操作地耦合到其他设备和系统，例如网络63或外部资源61。因此，应用67可通过经由I/O界面57的通信与网络63或外部资源61协同工作，以提供包含本发明实施方案的多种特征、功能、应用、过程或模块。应用67还可以具有由一个或更多个外部资源61执行的程序代码，或在其他情况下依赖于由计算机系统49外部的其他系统或网络组件提供的功能或信号。实际上，考虑到可能的几乎无限的硬件和软件配置，本领域普通技术人员将理解，本发明的不同形式可包括这样的应用，其位于计算机系统49外部，分布在多个计算机或其他外部资源61之间，或由提供为网络63上的服务(例如云计算服务)的计算资源(硬件和软件)提供。
HMI 59可以以已知的方式可操作地耦合到计算机系统49的处理器51，以允许用户与计算机系统49直接交互。HMI 59可包含视频或字母数字显示器、触摸屏、扬声器和能够向用户提供数据的任何其他合适的音频和/或视觉指示器。HMI 59还可包含输入设备和控制器，例如字母数字键盘、点击设备、键盘、按钮、控制旋钮、麦克风等，能够接受来自用户的命令或输入并将进入的输入发送到处理器51中。
数据库71可以驻留在海量存储存储器设备55上，并且可以用于收集和组织由本文描述的多种系统和模块使用的数据。数据库71可包含数据和存储和组织数据的支持数据结构。特别地，数据库71可以与任何数据库组织或结构一起布置，所述数据库组织或结构包括但不限于关系数据库、分层数据库、网络数据库或其组合。以作为对处理器51的指令而执行的计算机软件应用形式的数据库管理系统可用于响应于查询而访问存储在数据库71的记录中的信息或数据，其中查询可以由操作系统65、其他应用程序67或一个或更多个模块动态地确定和执行。
II.经优化的AST系统和方法
在一些形式中，如上所述的系统1可用于促进经优化的AST方法101(例如图19所示)中提供的一些或所有特征。
在一些常规方法中，在等待一段时间以允许微生物生长之后，通过手动目视检查测试孔来确定MIC。然而，如图7所示，用肉眼观察不到测试孔内的微生物样品生长，直至在将接种物设置在测试孔中之后4至10小时。传统确定MIC的方法受到人可以相对于测试孔内微生物生长而视觉感知的限制。此外，低于MIC浓度的抗微生物剂稀释液浓度的存在可能减慢生长速率，并且需要甚至更长时间才能察觉到。如图7所示，人眼在视觉上不能观察到微生物样品的前六至七次倍增。然而，通过这些初始倍增提供的信息通常指示MIC。如图7至22所示，经优化的AST方法101利用数字显微术监测从接种点开始又一个测试孔中微生物的面积和计数，并因此允许更快速和准确地检测MIC。
图8提供了如何可从测试孔中捕获可在经优化的AST方法101中使用的数据的图示。测试孔20由具有清晰的观察底部的“384”型测试孔体现。测试孔20中的接种物的体积可以设定为20微升，以降低AST方法101所需的材料(例如体相稀释剂)的量和/或使光伪影(light artifact)最小化并提供来自0.5麦克法兰接种物的1：250稀释液的一致数量的微生物的取样。降低测试孔20中接种物的体积通常提高光伪影。在一些情况下，以20×物镜捕获单个垂直平面103，由此将AST照相机35设定为0.33微米/像素可足以对接种物进行取样并确保每个单独的微生物是可识别的。然而，这些参数是可配置的，并且可以根据用户或者系统的基本需求的需要改变。在单个垂直平面103内捕获间隔约5微米的三个焦点位置也可以在样品中提供足够数量的微生物以计数用于经优化的AST方法101中。这三个焦点位置在图8中被标记为位置105、位置107和位置109。在经优化的AST方法101的示例性形式中，每个焦点位置是单个垂直平面103内的约700×700微米，而不是在三个不同垂直平面中捕获三个位置。AST照相机35、光学系统9和计算机49配置成在连续时间段内捕获每个焦点位置的图像，操纵这些图像中的每一个，其后使用从这些被操纵的图像得出的数据来进行MIC确定。
图像分析循环102一般性地在图9中示出，其包括图像捕获步骤111、图像增强步骤113、图像分割步骤115和对象计数步骤117。经优化的AST方法101可包括重复执行图像分析循环102直到确定MIC。图像分析循环102利用计算机49及其多种元件的一个或更多个实例来执行图像捕获步骤111、图像增强步骤113、图像分割步骤115和数据提取步骤117，以及其中提供的任何子步骤。
图像分析循环102开始于图像捕获步骤111以及经由光学系统9的AST照相机35捕获接种物的原始图像119(图10)并将原始图像119存储在存储器53中。尽管原始图像119被描绘为在单个图像，原始图像119也可以是在垂直平面103中采集的若干单独图像的合成，例如，位置105、位置107和位置109的合成。原始图像119也可以是在接种物样品内的不同平面中采集的若干图像的合成，或者可以是单个图像。如图10中所示，原始图像119可包含例如不均匀照明的缺陷。不均匀照明可能是由接种物与相缔合的测试孔20的壁结合产生的弯月面的结果，这可能影响照明源41的路径。不均匀的背景强度也可能由环境问题(例如塑性形变)引起或来自多种其他来源。在原始图像119在图像捕获步骤111中被捕获之后，图像捕获步骤111移动到图像增强步骤113。
如图9和11至14所示，图像增强步骤113处理原始图像119以创建增强图像121(图11)，由此增强图像121更适合于对例如细菌的微生物进行计数和识别的过程。在图像增强步骤113期间，修改原始图像119的一种或更多种属性。这些属性可包含基本灰度级变换、噪声过滤和中值过滤。例如，为了解决非均匀照明的问题，可以将中值滤镜应用于原始图像119以达成梯度图像123(图12)。这可通过选择足以提供仅包含原始图像119的背景照明之梯度的结果图像的像素半径来实现。然后从原始图像119中减去梯度图像123以校正不均匀照明并生成不含不均匀照明的增强图像121。
图像增强步骤113可静态、动态或二者地应用图像增强。例如，中值滤镜的像素半径可以是静态设置的常数值，或者可以从通过光学系统9捕获的每个原始图像119的特征动态地自适应地得出。如图13所示，图像增强步骤113的一些形式可包含步骤125，由此确定工作图像是否应该经历增强。如果步骤125确定应该增强工作图像，则步骤125进行到步骤127。在步骤127中，确定是否应该应用静态增强。如果步骤127确定应该应用静态增强，则在应用静态增强的情况下，步骤127进行到步骤129。如果步骤127确定不应该应用静态增强，则步骤127进行到步骤131。在步骤127中，对工作图像应用静态增强，并且步骤127返回到步骤125。在步骤131中，对工作图像应用动态增强，并且步骤131返回到步骤125。如果步骤125确定不应该进一步增强工作图像，则步骤125进行到结束。
图14举例说明了动态图像增强133的方法的示例。动态图像增强133的方法涉及动态地确定用于中值滤镜增强的适当像素半径。动态图像增强133的方法从步骤135开始，由此确定原始图像119中示出的微生物的尺寸。原始图像119中的微生物的尺寸可以根据与接种物和整个光学系统9相关的多种环境和参数而改变。因此，虽然被测试的特定微生物的字面尺寸在本质上通常是恒定的，但原始图像119中示出的微生物的相对尺寸是动态和可变的，因为例如镜头客体化(1ens objectification)的参数不同。一旦步骤135确定了原始图像119中的微生物的尺寸，步骤135就进行到步骤137。在步骤137中，从所确定的微生物尺寸中得出像素半径。作为一般实例，如果步骤135确定了原始图像119中的任何给定微生物的最大长度是五个像素，则可以确定像素半径大于五，使得经过滤图像仅表示背景中包含的梯度。在步骤135基于动态确定的微生物尺寸得出像素半径之后，步骤135进行到步骤139。在步骤139中，基于用所得出的像素半径处理原始图像119生成梯度图像123。在生成梯度图像123之后，步骤139移动到步骤141。在步骤141中，从原始图像119中减去梯度图像123以生成增强图像121。此后，动态图像增强133的方法进行到结束。
如图9、15和16所示，图像分割步骤115用于将图像分割成包含表示作为前景或背景的微生物的像素的不同区域。图像分割步骤115将增强图像121转换为经分割图像143，如图15所示。图像分割步骤115从增强图像121产生二值图像，其中每个像素等于0或1的值，其中0是指背景，并且1是指特定微生物的一部分。
可通过在应用分割算法之前应用降噪滤镜来去除例如噪声的图像伪像。可以使用静态阈值或使用例如基于Otsu簇的阈值法算法的自适应图像阈值法方法来获得分割。在该算法中，灰度级样品被聚类成作为背景和前景(对象)的两部分，或者可替选地被建模为两个高斯的混合。所使用的特定图像阈值法算法的阈值可以动态地确定，这取决于提供给图像分割步骤115的整体图像以及图像的相对灰度级。例如，接种系统5或系统1的另一个元件可以配置成将尼格罗黑施加到每个测试孔20以增强图像，因为尼格罗黑不附着于某些微生物(例如细菌)。与没有尼格罗黑的原始图像119相比，这可以改变原始图像119中的相对灰度级且需要用于分割算法的不同阈值。在经优化的AST方法101的一些形式中，可通过搜索图像的若干区域内的边缘来动态地确定阈值。这些边缘是背景与微生物之间的过渡点。因此，然后可以将阈值计算为所定位边缘的每一侧上的像素的平均灰度值。
如图16所示，图像分割步骤115的一些形式可以从步骤145开始。在步骤145中，确定是否将降噪滤镜应用于增强图像121。如果步骤145确定应该应用降噪滤镜，则步骤145进行到步骤147，在那里应用降噪滤镜。此后步骤147进行到步骤149。如果步骤145确定不应该应用降噪滤镜，则步骤145直接进行到步骤149。在步骤149中，做出关于是否动态确定阈值的决定。如果步骤149决定应该动态确定阈值，则步骤149进行到步骤151，在那里确定阈值。此后步骤149进行到步骤153。如果步骤149决定不动态确定阈值，则使用静态预定阈值，并且步骤149直接进行到步骤153。在步骤153中，使用所选阈值对增强图像121进行分割，且步骤153和其后的图像分割步骤115进行到结束。
一旦图像分割步骤115生成经分割图像143，图像分割步骤115就进行到数据提取步骤117。在数据提取步骤117中，认为背景和前景像素得出关于样品中微生物的数量(计数-C)、样品中微生物占据的面积(面积-A)，和微生物占据的面积与微生物的数量之比值(A/C)的信息。在数据提取步骤117的一些形式中，将实际微生物计数与平均微生物计数进行比较，以确定在图像捕获过程中是否发生错误。比较可包括与平均微生物计数的标准偏差以概括微生物比较。
数据提取步骤117可以配置成得出关于图像中微生物的数量的信息。在数据提取步骤117的一些实施方案中，可以根据预定义的宽度和/或长度对经分割图像143中的前景像素的数量进行计数，以确定接种物的成像部分中的微生物的数量。计数算法可以分为两个单独的算法，一个用于对杆状微生物计数，一个用于对球形微生物计数，因为下面的微生物的轮廓在经分割图像143中提供了相应的不同前景像素形状。例如，计数算法可以配置成考虑用于球形微生物的计数目的的微生物的2×2像素的正方形，或者可以考虑用于杆状微生物的计数目的微生物的1×4像素的矩形。此外，计数算法可以配置成处理两种算法以捕获杆状微生物的不同三维取向。例如，如果细长杆朝向AST照相机35端部定位，则其在通过AST照相机35在二维中观察时将具有非常不同的轮廓。因此，在图像分析循环102的计数阶段期间可以使用两种计数算法。或者，计数算法可以配置成考虑由背景像素包围的任何前景像素并将其计数为微生物。
数据提取步骤117可以配置成得出关于图像中的所有微生物占据的总面积的信息。在数据提取步骤117的一些形式中，可以对经分割图像143中的前景像素的总数进行计数，并将其与经分割图像143中的背景像素的总数进行比较。数据提取步骤117可以以任何格式表示区域计数信息，包括例如30％的百分比，或将其表示为像素的字面数字，例如“总共450个像素中的138个前景像素”或“138个前景像素和312个背景像素”。
数据提取步骤117可以配置成得出关于微生物总计数与图像中所有微生物占据的总面积的比值的信息。该信息可用于确定微生物是否随时间经历伸长。伸长是死亡的前兆，表明抗微生物剂稀释液的浓度对微生物有负面影响。更具体地，当微生物(例如细菌)遇到有效量的抗生素药物时，可能发生伸长。
例如，图17和18描绘了由大肠杆菌(E.coli)细菌体现的微生物。图17描绘了暴露于抗生素氨苄青霉素的稀释液之后的大肠杆菌，而图18描绘了没有任何氨苄青霉素暴露的大肠杆菌。图17举例说明了氨苄青霉素暴露导致的伸长形式的异常生长。这种伸长是细菌死亡的前兆，并举例说明了氨苄青霉素的浓度足以中和细菌。图18举例说明了正常生长。由此得出，所有细菌占据的总面积与细菌计数的比值将随时间而提高，以表示每个细菌伸长。例如，如果特定图像样品包含100个细菌，并且每个细菌各自测量约4个像素，则图像内100个细菌占据的区域是400个像素。在该图像样品中，细菌面积与细菌计数的比值为4.0。随着时间的推移，如果样品中的每个细菌各自伸长至约12个像素，则后一图像中100个细菌占据的面积为1200像素，并且在该后一图像中细菌面积与细菌计数的比值为12.0。这种比值的提高表明氨苄青霉素的浓度有效中和大肠杆菌细菌，因为该细菌是伸长的，这反过来表明即将死亡。
一旦数据提取步骤117从经分割图像143得出期望信息，图像分析循环102就终止。经优化的AST方法101以设定的时间间隔迭代地执行图像分析循环102，以确定每个测试孔20中的微生物如何改变并对特定的抗微生物剂稀释度配对作出反应。此外，经优化的AST方法101对与微生物相关的每个测试孔20迭代地执行图像分析循环102，以确定微生物如何与每种浓度的抗微生物剂稀释液反应。例如，假设所测试的微生物是大肠杆菌细菌，并且测试了三个测试孔20，其中每个测试孔20中具有20微升溶液。第一个测试孔20可含有1微克/毫升(μg/ml)的抗微生物剂稀释液，第二个测试孔20可含有2μg/ml的抗微生物剂稀释液，第三个测试孔20可含有4μg/ml的抗微生物剂稀释液。经优化的AST方法101在每个设定的时间间隔对三个测试孔中的每一个进行图像分析循环102，以确定(a)每种抗微生物剂稀释度如何影响微生物；(b)每种抗微生物剂稀释度相对于其他抗微生物剂稀释度的表现如何。如果数据表明1μg/ml抗微生物剂稀释液在中和微生物时与2和4μg/ml抗微生物剂稀释液一样有效，则1μg/ml抗微生物剂稀释液是MIC。
经优化的AST方法101的示例性形式在图19中示出并且开始于步骤155。在步骤155中，系统等待设定的时间段阈值，以允许所选测试孔20内的微生物有足够的时间提供关于生长速率或对特定抗微生物剂稀释度的反应的新信息。经优化的AST方法101可优选地配置成利用30分钟时间段作为该阈值，但是在不同实施方案中和/或在不同微生物的情况下可使用不同阈值。例如，一些细菌或酵母或其他微生物可以非常迅速地反应并在一小时内提供与进行MIC确定相关的信息。在这种情况下，经优化的AST方法101可以配置成每五分钟执行图像分析循环102以捕获测试孔20内关于迅速变化的环境的数据。其他微生物可以相对缓慢地对抗微生物剂稀释液作出反应，因此时间阈值为一个小时可能更合适。一旦步骤155等待指定的时间段阈值，步骤155就移动到步骤157。
在步骤157中，用选定的测试孔20对特定微生物执行图像分析循环102的一次迭代。如上所述，图像分析循环102的迭代得出所选测试孔20内关于微生物的生长速率的数据。在执行图像分析循环102的迭代之后，步骤157移动到步骤159。在步骤159中，在步骤157中收集的数据在存储器中存储和/或更新，存储器可以是数据库、平面文件或任何其他类似的内存或存储设备的形式。在经优化的AST方法101的一些实施方案中，步骤159将在步骤157中收集的数据存储在数据库71(图6)中。一旦步骤159存储/更新收集的数据，步骤159就移动到步骤161。
在步骤161中，经优化的AST方法101确定是否已经收集了足够的数据以确定MIC。例如，这可通过确定对于测试孔所收集的数据是否与用于训练用于确定MIC的机器学习分类器的数据相匹配来进行。如果需要更多数据来准确地确定MIC，则步骤161返回到步骤155并等待执行另一个图像分析循环102以在未来时间间隔收集更多数据。如果步骤161确定已经收集了足够数量的数据，则步骤161进行到步骤163。
在步骤163中，确定MIC，并且在步骤165中将其报告(例如，通过HMI 59)。该确定基于在图像分析循环102的每次迭代期间针对微生物样品的所有抗微生物剂稀释液以及其中不存在抗微生物剂的对照孔收集的数据。如以下部分所述，该确定可涉及将收集到的数据应用于先前已经过训练的机器学习分类器以进行生长预测，并随后基于预测的测试孔中的哪一个表现出生长或被抑制来确定MIC。
III.用于确定最低抑制浓度(MIC)的机器学习
图20描绘了可以在一些实施方案中用于使用表1中列出的参数来确定MIC的示例性决策树分类器。这样的分类器可例如通过以下来收集训练数据集来创建：周期性地(例如，从接种之后90分钟开始到接种之后4小时结束每30分钟；从接种之后90分钟开始到接种之后6小时结束每30分钟；等等)捕获接种有特定微生物和不同浓度抗微生物剂的测试孔组的图像以及接种有微生物但不包含任何抗微生物剂的对照孔的图像，以及从那些图像中提取数据，例如之前在图9的上下文中所讨论的。随后可将捕获的数据或其子集以及在16小时之后哪些孔显示生长(G)或抑制(I)的观察结果提供给多种算法，例如QUEST(快速、无偏且有效的统计树(Quick，Unbiased and Efficient Statistical Tree))或CHAID(卡方自动交互检测器(Chi-squared Automatic Interaction Detector))以创建决策树，所述决策树将作出特定孔是否表现出生长(G)或者抑制(I)的预测。图20至22示出了基于以下使用QUEST以这种方式创建的决策树在4小时之后作出在存在不同浓度的达托霉素(daptomycin)、红霉素(erythromycin)和苯唑西林(oxacillin)的情况下16小时之后凝固酶阴性葡萄球菌(coagulase negative staphyloccoci)是否显示出生长或抑制的预测的一些实例：4小时之后覆盖的面积(在本实施方案中称为c9)、3.5与4小时之间的面积提高百分比(以4小时时的面积-3.5小时时的面积除以3.5小时时的面积计算，并且在本实施方案中称为r9，或比值9-8))，以及在4小时时对照孔中的生长(在本实施方案中称为生长9，或g9)。所得决策树示于图20(对于苯唑西林)、21(对于达托霉素)和22(红霉素)。
一般而言，所描述的方法可用于创建将在存在不同浓度的多种抗微生物剂的情况下对多种微生物进行生长预测的决策树。表1和表2列出了被认为适合于用于上述类型的决策树分类器的微生物和抗微生物剂的类别以及那些类别中的特定生物体和抗微生物剂的一些实例：
表1
Figure BDA0003135973780000151
Figure BDA0003135973780000161
表2
Figure BDA0003135973780000162
Figure BDA0003135973780000171
Figure BDA0003135973780000181
认为上述方法也可用于未在表1和2中列出的微生物和抗微生物剂。例如，认为例如上述的决策树分类器可用于对肠杆菌科、假单胞菌科、不动杆菌科、微球菌科和/或链球菌科中的微生物进行生长预测。
针对上述方法的变化也是可以的。例如，在一些情况下，不是将分类直接视为对其数据提供给决策树的测试孔的生长或抑制预测，而是可以对它们进行进一步处理以创建分类。例如，在一些实施方案中，当数据被提供给例如图23A和23B中所示的决策树时，可对通过是(即，抑制)分支连接至它们的父节点的叶数目与通过否(即，生长)分支连接至它们的父节点的叶数目进行比较，并且无论在何种情况下，可以将较大的数字视为对该孔的生长/抑制预测。不管它们是如何做出的，一旦可对每个测试孔进行预测，具有仍然产生抑制(I)预测的最低抗微生物剂浓度的测试孔中的浓度可以被视为MIC。
表3：生长或抑制决策树的示例性因数
Figure BDA0003135973780000182
Figure BDA0003135973780000191
其他方法也是可以的，并且对于本领域普通技术人员而言将是即刻显而易见的。例如，在一些实施方案中，不是训练单独决策树，而是可以使用训练技术(例如XG Boost)来生成其输出可以组合以提供更高可靠性预测的多个树的系综(ensemble)。在这样的系综中可以存在不同数目的树，从2个树到数百个树。在测试期间，当使用XG Boost软件基于训练数据创建使用表3中列出的因数的500个决策树的系综时内酰胺，发现由所得系综在四小时之后提供的预测与表4中列出的18小时之后获取的实际生长/抑制观察结果一致，所述训练数据是使用以下收集的：鲍氏不动杆菌(A.baumannii)、弗氏柠檬酸杆菌cplx(C.freundiicplx)、产气肠杆菌(E.aerogenes)、阴沟肠杆菌(E.cloacae)、大肠杆菌(E.coli)、产酸克雷伯菌(K.oxytoca)、肺炎克雷伯菌(K.pneumoniae)、铜绿假单胞菌(P.aeruginosa)、荧光假单胞菌(P.fluorescens)、黏质沙雷菌(S.marcescens)、沙门菌属(Salmonella sp.)、奇异变形杆菌(P.mirabilis)、雷氏普鲁威登菌(P.rettgeri)的革兰氏阴性菌；以及头孢吡肟(β-内酰胺)、头孢噻肟、头孢他啶、庆大霉素、左氧氟沙星、美洛培南、和四环素的抗生素。
表4：在决策树测试期间获得的准确度测量值
Figure BDA0003135973780000192
Figure BDA0003135973780000201
(有一个无法确定的结果，其中按浓度排序时两个连续孔被提供抑制分类，而依据浓度的下一个孔提供生长分类——在产生中优选地被视为指示技术错误或生长处于边界线并应在完整的16至18小时生长期之后通过人工干预进行确定的情况)。
出乎意料地，在该测试期间，发现该系综适合于对每种受试微生物进行生长预测，而不是每种微生物或每种抗微生物剂都需要单独的系综或树。作为结果，在一些实施方案中，生物测试系统可以配置有将用于任何种类的革兰氏阴性菌而不管被测试的抗微生物剂或样品中的特定革兰氏阴性菌如何的决策树的系综，而不是使用针对每种微生物和抗微生物剂的不同决策树或系综。当然，单独决策树或系综可针对微生物和抗微生物剂的特定组合的数据进行训练，并用于为微生物和抗微生物剂的特定组合提供MIC预测也是可以的。因此，上面关于应用决策树分类器和系综的讨论以及训练成使用表3中指定的参数的系综分类器可应用于多种微生物和抗微生物剂的出乎意料的结果应被理解为仅是举例说明性的，并且不应被视为限制。
其他类型的机器学习模型也可用于进行MIC预测。例如，在一些实施方案中，不是使用例如图20至23B中所示的决策树(或这样的树的系综)，而是可使用具有例如图25中所示结构的神经网络。当该类型的神经网络训练成使用以下进行生长/抑制预测时，发现提供了当对130种微生物/抗微生物剂组合进行测试时示于表5中的结果：来自使用数字显微镜在10X放大率下自0至4小时每30分钟获取的读出的微生物所覆盖的面积、微生物的计数(出于该训练目的限定为一微米的物体)、面积与计数的比值，以及测试孔中微生物所覆盖的面积与生长(无抗微生物剂)孔中微生物所覆盖的面积的比值。该测试中使用的特定生物体和抗微生物剂是鲍氏不动杆菌、弗氏柠檬酸杆菌cplx、阴沟肠杆菌、大肠杆菌、肺炎克雷伯菌、产酸克雷伯菌、铜绿假单胞菌、荧光假单胞菌、黏质沙雷菌、沙门菌属、奇异变形杆菌、雷氏普鲁威登菌和头孢吡肟、头孢噻肟、头孢他啶、庆大霉素、左氧氟沙星、美洛培南、四环素。以这种方式训练的神经网络的输入节点、输出节点、隐藏层代码和响应映射代码集示于表6中。在受试的130种微生物/抗微生物剂组合中，神经网络提供了导致对于126种受试物的可解释MIC的G或I预测。四个测试结果被确定为无法解释，因为它们包含跟随先前G、I、G模式的I、I、G顺序(例如，0.03G、0.06G、0.12G、0.25G、0.5I、1G、2I、4I、8G、16I)，其(并且在产生中可以)被视为指示在完整的16至18小时生长期之后需要人工干预的技术错误或弱信号。
表5：在测试神经网络G/I预测期间获得的准确度测量值。
Figure BDA0003135973780000211
Figure BDA0003135973780000221
表6：示例性神经网络参数和代码
Figure BDA0003135973780000231
Figure BDA0003135973780000241
Figure BDA0003135973780000251
Figure BDA0003135973780000261
Figure BDA0003135973780000271
Figure BDA0003135973780000281
Figure BDA0003135973780000291
Figure BDA0003135973780000301
Figure BDA0003135973780000311
Figure BDA0003135973780000321
Figure BDA0003135973780000331
Figure BDA0003135973780000341
Figure BDA0003135973780000351
Figure BDA0003135973780000361
机器学习模块使用的方式也可能存在变化。例如，在一些情况下，不是训练模型来简单地进行如上所述的生长/抑制预测，而是可以训练模型直接进行MIC预测。图24提供了可用于进行该类型预测的神经网络的结构的一个实例。
在一些实施方案中，为了使用例如图24中所示的神经网络进行MIC预测，可以用微生物接种包含一定浓度抗微生物剂的测试孔。然后可通过以类似于上文在图20至23B和25的决策树和神经网络分类器的上下文中描述的方式进行测量来收集数据。然后可以将这些测量值以及测试孔中抗微生物剂的身份和浓度作为输入提供给神经网络的输入节点。然后可以将网络输出节点上提供的值视为对应于输出节点的浓度是添加至测试孔的微生物的MIC的可能性的指示。例如，当使用已训练成提供第一浓度是第一输出节点上的MIC的可能性、第二浓度是第二输出节点上的MIC的可能性以及第三浓度是第三输出节点上的MIC的可能性的网络时，对应于具有最高值的输出节点的浓度(其可能与从中收集数据的测试孔中的抗微生物剂的浓度不同)可被视为MIC.
在一些实施方案中，不是使用例如图24中所示网络的输出节点的值作为直接指示MIC，而是可将来自这样的输出节点的值用作另一函数的输入，所述函数将提供(可能更可靠的)MIC值。例如，在一些实施方案中，可从具有不同浓度的同一抗微生物剂的多个测试孔中的每一个收集单独的测量值集，并且这些测量值集可各自作为输入提供给例如图24中所示的神经网络。然后，那些神经网络中的每一个都将提供对最可能的MIC的预测，并且那些预测可作为输入提供给另一函数(例如，统计函数，例如众数或中值确定函数)，其将提供将被视为样品的真实MIC的预测。为了举例说明，请考虑下面的表7，其示出了如何在测试期间从多个神经网络的输出中获得预测MIC。
表7：来自多个神经网络输出的示例性MIC推导
Figure BDA0003135973780000371
Figure BDA0003135973780000381
在测试期间，出乎意料地发现使用该方法允许使用具有表8中列出的输入节点、输出节点、隐藏层代码和响应映射代码的单神经网络来创建MIC预测，该预测对于覆盖鲍氏不动杆菌、弗氏柠檬酸杆菌、产气肠杆菌、阴沟肠杆菌、大肠杆菌、产酸克雷伯菌、肺炎克雷伯菌、奇异变形杆菌、铜绿假单胞菌、荧光假单胞菌、奇异变形杆菌、雷氏普鲁威登菌、黏质沙雷菌和沙门菌属的物种以及头孢吡肟、头孢噻肟、头孢他啶、庆大霉素、左氧氟沙星、美洛培南和四环素的抗微生物剂的数据具有表9中列出的基本和绝对一致。
表8：示例性神经网络参数和代码
Figure BDA0003135973780000382
Figure BDA0003135973780000391
Figure BDA0003135973780000401
Figure BDA0003135973780000411
Figure BDA0003135973780000421
Figure BDA0003135973780000431
Figure BDA0003135973780000441
Figure BDA0003135973780000451
Figure BDA0003135973780000461
Figure BDA0003135973780000471
Figure BDA0003135973780000481
Figure BDA0003135973780000491
Figure BDA0003135973780000501
Figure BDA0003135973780000511
Figure BDA0003135973780000521
Figure BDA0003135973780000531
Figure BDA0003135973780000541
Figure BDA0003135973780000551
Figure BDA0003135973780000552
Figure BDA0003135973780000561
表9：在神经网络MIC预测的测试期间获得的准确度测量值。
Figure BDA0003135973780000562
Figure BDA0003135973780000571
如上所述，神经网络可用于模拟在多种药物浓度下细菌分离物随时间的生长模式。只要细菌在没有药物的孔中生长，则可创建神经网络以使用生长孔的计数和面积并在多种药物浓度下对MIC进行早期预测。这样的网络可在前6小时内(或在表6和9的情况下讨论的网络的前3.5至4小时内)进行MIC生长的预测，这与在16至24小时时的实际MIC读数高度一致。这可应用于革兰氏阴性菌(包括肠杆菌科、假单胞菌属、不动杆菌属、寡养单胞菌属和嗜血杆菌属)和革兰氏阳性菌(包括葡萄球菌属、肠球菌属和链球菌属)，以及以下药物类别：青霉素、β-内酰胺、β-内酰胺与抑制剂、碳青霉烯类、头孢菌素类、单内酰环类、四环素类、氨基糖苷类、大环内酯类、糖肽类、林可酰胺类、
Figure BDA0003135973780000572
唑烷酮类、喹诺酮类、叶酸抑制剂和安莎霉素类。
在创建模型，例如决策树分类器、决策树系综、神经网络或其他类型的模型之后，其可能与多个其他模型(例如，在其中特定模型，例如图20至22的决策树用于特定微生物-抗微生物剂组合的一些实施方案中)一起优选地部署到例如图6中所示的计算机系统，以用于相对于用传统视觉分析可能的情况加速MIC确定。然后，当在由这样的计算机系统控制或与之集成的机器上分析样品时，可使用例如本文中所述的技术捕获和提取与用于训练该模型的图像和数据相对应的图像和数据，并且该数据可用于产生MIC预测。在一些变化形式中，这可包括识别样品中的微生物(例如，使用分类器，例如在Venkatesh Vijaykumar，Classifying Bacterial Species using Computer Vision and Machine Learning，International Journal of Computer Applications Vol.151，No.8，October，2016at23-26中所述的，其公开内容在此通过引用并入)以及选择适当的决策树或其他类型的模型。在另一些变化形式中，可省略该类型的模型选择，并且取而代之的是已训练成对可使用的多种微生物和/或抗微生物剂进行预测的模型。
IV.示例性组合
以下实施例涉及其中可组合或应用本文中的教导的多种非穷举方式。应理解，以下实施例不旨在限制在任何时间在本申请中或在本申请的后续文件中可能提出的任何权利要求的范围。没有免责声明。提供以下实施例仅用于举例说明目的。预期本文中的多种教导可以以许多其他方式布置和应用。还预期一些变化可省略以下实施例中提及的某些特征。因此，除非在其他情况下发明人或与发明人有利害关系的后继者在稍后同样明确指出，否则下面提及的方面或特征都不应被认为是关键的。如果在本申请中或与本申请相关的后续文件中提出的任何权利要求包括除以下提及的那些之外的另外的特征，则不应推定这些另外的特征是出于与可专利性相关的任何原因而添加的。
实施例1
方法，其包括：(a)使用生物测试系统1的培养箱子系统7在多个测试孔20中孵育第一多个测试混合物，其中：(i)使用第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；(ii)来自所述第一多个测试混合物中的每个测试混合物具有一定浓度的第一抗微生物剂；(iii)在来自所述第一多个测试混合物中的每个测试混合物中，第一抗微生物剂溶液在该测试混合物中的浓度不同于所述第一抗微生物剂溶液在来自所述第一多个测试混合物中的每个其他测试混合物中的浓度；(iv)使用相同的第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；并且(v)所述第一多个测试混合物包含所述第一抗微生物剂浓度为零的生长混合物；(b)在多个成像时间处，对于来自所述第一多个测试混合物中的每个测试混合物，使用AST照相机35捕获该测试混合物的图像，其中每个成像时间发生在孵育开始之后；(c)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，通过计算机系统49的处理器51执行包括以下的步骤来获得多个机器学习输出：(i)确定该测试混合物的多个特征值，其中：(A)每个特征值对应于来自多个参数中的参数；并且(B)基于在所述多个成像时间处捕获的该测试混合物的图像确定该测试混合物的多个特征值；以及(ii)将针对该测试混合物确定的多个特征值提供给机器学习模型；以及(d)所述计算机系统49的处理器51基于所述多个机器学习输出生成所述第一生物样品的MIC预测。
实施例2
实施例1所述的方法，其中：(a)所述多个成像时间包含与孵育开始相隔第一持续时间的最早成像时间；(b)来自所述多个成像时间中的除所述最早成像时间之外的每个成像时间与其前一成像时间相隔第二持续时间；并且(c)所述第二持续时间比所述第一持续时间短。
实施例3
实施例2所述的方法，其中所述第一持续时间是90分钟，并且所述第二持续时间是30分钟。
实施例4
实施例1至3中任一项所述的方法，其中所述多个成像时间包含与孵育开始相隔四小时的最晚成像时间。
实施例5
实施例1至4中任一项所述的方法，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：(a)该测试混合物的多个特征值包含第一组特征值和第二组特征值；(b)所述第一组特征值基于在来自所述多个成像时间中的第一时间处捕获的图像；(c)所述第二组特征值基于在来自所述多个成像时间中的第二时间处捕获的图像；并且(d)所述多个参数包括参数组，其中来自所述参数组的每个参数对应于来自所述第一组特征值的一个值和来自所述第二组特征值的一个值。
实施例6
实施例5所述的方法，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，对于来自所述多个成像时间中的每个成像时间，该测试混合物的多个特征值包含：来自所述参数组的每个参数的变化率值。
实施例7
实施例5至6中任一项所述的方法，其中，对于来自所述多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：(a)所述多个特征值包含特征值生长组；(b)对于来自所述多个成像时间中的每个成像时间，来自所述参数组的每个参数对应于来自所述特征值生长组的一个特征值；并且(c)来自所述特征值生长组的特征值基于在所述多个成像时间处捕获的生长混合物的图像。
实施例8
实施例5至7中任一项所述的方法，其中所述参数组包含微生物计数。
实施例9
实施例1至8中任一项所述的方法，其中：(a)所述方法还包括：(i)孵育第二多个测试混合物，其中：(A)使用第二生物样品对来自所述第二多个测试混合物中的每个测试混合物进行接种；(B)来自所述第二多个测试混合物中的每个测试混合物具有一定浓度的第二抗微生物剂；并且(C)在来自所述第二多个测试混合物中的每个测试混合物中，所述第二抗微生物剂在该测试混合物中的浓度不同于所述第二抗微生物剂在来自所述第二多个测试混合物中的每个其他测试混合物中的浓度；(ii)对于来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，通过执行包括以下的步骤来获得第二多个机器学习输出：将针对该测试混合物确定的多个特征值提供给机器学习模型；以及(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物和来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，提供有针对该测试混合物确定的多个特征值的机器学习模型是相同的机器学习模型。
实施例10
实施例9所述的方法，其中所述第一抗微生物剂与所述第二抗微生物剂不同。
实施例11
实施例9至10中任一项所述的方法，其中所述第一抗微生物剂和第二抗微生物剂各自被分类至由以下组成的组：(a)β-内酰胺；(b)氨基糖苷类；(c)氟喹诺酮类；(d)碳青霉烯类；和(e)四环素类。
实施例12
实施例9至11中任一项所述的方法，其中所述第一抗微生物剂和第二抗微生物剂各自来自由以下组成的组：(a)头孢吡肟；(b)头孢噻肟；(c)头孢他啶；(d)庆大霉素；(e)左氧氟沙星；(f)美洛培南；和(g)四环素。
实施例13
实施例9至12中任一项所述的方法，其中：(a)所述第一生物样品包含第一微生物；(b)所述第二生物样品包含第二微生物；并且(c)所述第一微生物不同于所述第二微生物。
实施例14
实施例9至13中任一项所述的方法，其中所述第一微生物和第二微生物均是革兰氏阴性的。
实施例15
实施例9至14中任一项所述的方法，其中所述第一微生物和第二微生物均来自由以下组成的组：(a)鲍氏不动杆菌；(b)弗氏柠檬酸杆菌；(c)产气肠杆菌；(d)阴沟肠杆菌；(e)大肠杆菌；(f)产酸克雷伯菌；(g)肺炎克雷伯菌；(h)奇异变形杆菌；(i)铜绿假单胞菌；(j)荧光假单胞菌；(k)雷氏普鲁威登菌；(1)黏质沙雷菌；(m)伤寒沙门菌；和(n)副伤寒沙门菌。
实施例16
实施例1至15中任一项所述的方法，其中：(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得中间MIC预测以作为该测试混合物的机器学习输出；(b)生成所述第一生物样品的MIC预测包括向MIC创建函数提供所述多个机器学习输出。
实施例17
实施例16所述的方法，其中所述第一生物样品的MIC预测是来自所述多个机器学习输出的中位中间MIC预测。
实施例18
实施例16至17中任一项所述的方法，其中，对于来自所述第一多个测试混合物的至少一个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是比该测试混合物中所述第一抗微生物剂的浓度更低的第一抗微生物剂的浓度。
实施例19
实施例16至18中任一项所述的方法，其中：(a)所述机器学习模型是具有多个输出节点的神经网络；(b)来自所述多个输出节点的每个输出节点对应于潜在MIC；并且(c)对于来自所述第一多个测试混合物中的每个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是对应于当将针对该测试混合物确定的多个特征值提供给所述神经网络时具有最高值的输出节点的潜在MIC。
实施例20
实施例1至19中任一项所述的方法，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，将对所述第一抗微生物剂的识别与针对该测试混合物确定的多个特征值一起提供给所述机器学习模型。
实施例21
实施例1至14中任一项所述的方法，其中：(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得生长预测以作为该测试混合物的机器学习输出；(b)生成所述第一生物样品的MIC预测包括：识别获得抑制生长预测的具有最低浓度的第一抗微生物剂的测试混合物，以作为该测试混合物的机器学习输出。
实施例22
实施例21所述的方法，其中：(a)所述机器学习模型是包含一个或更多个决策树的系综，每个决策树具有多个叶节点，每个叶节点通过指示生长或抑制的分支连接至父节点；并且(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得针对该测试混合物的生长预测包括：当将该测试混合物的多个特征值提供给所述机器学习模型时，基于是否存在更多的通过指示生长的分支连接至父节点的叶节点或者是否存在更多的通过指示抑制的分支连接至父节点的叶节点来预测生长或抑制。
实施例23
实施例21所述的方法，其中所述机器学习模型是训练成提供输出节点上的生长预测的机器学习模型。
实施例24
实施例9至14中任一项所述的方法，其中所述第一微生物和第二微生物均来自由以下组成的组：(a)鲍氏不动杆菌；(b)弗氏柠檬酸杆菌；(c)阴沟肠杆菌；(d)大肠杆菌；(e)产酸克雷伯菌；(f)铜绿假单胞菌；(g)荧光假单胞菌；(h)黏质沙雷菌；(i)伤寒沙门菌；(j)副伤寒沙门菌；(k)奇异变形杆菌；和(1)雷氏普鲁威登菌。
实施例25
实施例1至21或23至24中任一项所述的方法，其中所述参数组包含：(a)微生物面积；和(b)微生物面积与微生物计数的比值。
实施例26
实施例1至4或21中任一项所述的方法，其中：(a)所述机器学习模型是决策树分类器；(b)所述方法包括：(i)确定对所述第一生物样品所包含的微生物的识别；以及(ii)基于对所述微生物的识别，从多个决策树分类器中选择决策树分类器。
实施例27
实施例26所述的方法，其中所述第一生物样品所包含的微生物的类型选自由以下组成的微生物类型的组：(a)革兰氏阴性发酵菌；(b)革兰氏阴性非发酵菌；(c)革兰氏阳性微球菌科；和(d)革兰氏阳性链球菌科。
实施例28
实施例27所述的方法，其中：(a)所述第一生物样品所包含的微生物类型是革兰氏阴性发酵菌；并且(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：(i)嗜水气单胞菌；(ii)弗氏柠檬酸杆菌；(iii)克氏柠檬酸杆菌；(iv)产气肠杆菌；(v)阴沟肠杆菌；(vi)大肠杆菌；(vii)产酸克雷伯菌；(viii)肺炎克雷伯菌；(ix)摩氏摩根菌；(x)奇异变形杆菌；(xi)彭氏变形杆菌；(xii)普通变形杆菌；(xiii)斯氏普鲁威登菌；(xiv)雷氏普鲁威登菌；(xv)副伤寒沙门菌；(xvi)伤寒沙门菌；(xvii)黏质沙雷菌；(xviii)痢疾志贺菌；(xix)福氏志贺菌；(xx)宋氏志贺菌；(xxi)霍乱弧菌；和(xxii)小肠结肠炎耶尔森氏菌。
实施例29
实施例27所述的方法，其中：(a)所述第一生物样品所包含的微生物的类型是革兰氏阴性非发酵菌；并且(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：(i)鲍氏不动杆菌；(ii)溶血性不动杆菌；(iii)洛菲不动杆菌；(iv)莫拉菌物种；(v)铜绿假单胞菌；(vi)产碱假单胞菌；(vii)荧光假单胞菌；(viii)恶臭假单胞菌；和(ix)嗜麦芽窄食单胞菌。
实施例30
实施例27所述的方法，其中：(a)所述第一生物样品所包含的微生物的类型是革兰氏阳性微球菌科；并且(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：(i)金黄色葡萄球菌；(ii)头状葡萄球菌；(iii)表皮葡萄球菌；(iv)溶血性葡萄球菌；(v)腐生葡萄球菌；(vi)沃氏葡萄球菌；(vii)模仿葡萄球菌；和(viii)路邓葡萄球菌。
实施例31
实施例27所述的方法，其中：(a)所述第一生物样品所包含的微生物的类型是革兰氏阳性链球菌科；并且(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：(i)鸟肠球菌；(ii)粪肠球菌；(iii)屎肠球菌；(iv)鹑鸡肠球菌；(v)棉子糖肠球菌；(vi)牛链球菌；(vii)酿脓链球菌；和(viii)肺炎链球菌。
实施例32
实施例26所述的方法，其中所述第一生物样品所包含的微生物的类型选自由以下组成的微生物类型的组：(a)肠杆菌科；(b)假单胞菌科；(c)不动杆菌科；(d)微球菌科；和(e)链球菌科。
实施例33
实施例26所述的方法，其中所述第一抗微生物剂的类型选自由以下组成的组的抗微生物剂类型的组：(a)氨基糖苷类；(b)安莎霉素；(c)β-内酰胺，青霉素类；(d)β-内酰胺加抑制剂组合；(e)碳青霉烯类；(f)头孢烯类；(g)氟喹诺酮类；(h)叶酸途径抑制剂；(i)磷霉素；(j)糖肽；(k)林可酰胺；(1)脂肽；(m)大环内酯类；(n)
Figure BDA0003135973780000651
唑烷酮类；和(o)四环素类。
实施例34
实施例33所述的方法，其中：(a)所述第一抗微生物剂的类型是氨基糖苷类；并且(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：(i)阿米卡星；(ii)庆大霉素；和(iii)妥布霉素。
实施例35
实施例33所述的方法，其中：(a)所述第一抗微生物剂的类型是β-内酰胺，青霉素类；并且(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：(i)青霉素；和(ii)苯唑西林。
实施例36
实施例33所述的方法，其中：(a)所述第一抗微生物剂的类型是β-内酰胺加抑制剂组合；并且(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：(i)阿莫西林+克拉维酸；(ii)氨苄青霉素+舒巴坦；(iii)头孢他啶+阿维巴坦；(iv)头孢洛生+他唑巴坦；(v)哌拉西林+他唑巴坦；和(vi)替卡西林+克拉维酸。
实施例37
实施例33所述的方法，其中：(a)所述第一抗微生物剂的类型是碳青霉烯类；并且(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：(i)多尼培南；(ii)厄他培南；(iii)亚胺培南；和(iv)美洛培南。
实施例38
实施例33所述的方法，其中：(a)所述第一抗微生物剂的类型是头孢烯类；并且(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：(i)头孢唑啉；(ii)头孢吡肟；(iii)头孢噻肟；(iv)头孢西丁；(v)头孢洛林；(vi)头孢他啶；(vii)头孢曲松；(viii)头孢唑肟；和(ix)头孢呋辛。
实施例39
实施例33所述的方法，其中：(a)所述第一抗微生物剂的类型是氟喹诺酮类；并且(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：(i)环丙沙星；和(ii)左氧氟沙星。
实施例40
实施例26所述的方法，其中：(a)所述多个参数由以下组成：(i)微生物面积；(ii)微生物面积的差异；以及(iii)微生物生长；(b)所述多个特征值包含：(i)来自所述多个成像时间中的最后成像时间处的微生物面积；(ii)从倒数第二成像时间到所述最后成像时间的微生物面积的差异；以及(iii)所述最后成像时间处的微生物生长。
实施例41
非暂时性计算机可读介质，其编码用于执行实施例1至40中任一项所述的方法的指令。
实施例42
计算机系统49，其配置有用于使生物测试系统1执行实施例1至40中任一项所述的方法的指令。
实施例43
生物测试系统(1)，其包含配置有一组可操作的计算机指令的处理器(51)，当执行所述计算机指令时使得所述系统(1)执行包括以下的方法：(a)使用所述生物测试系统(1)的培养箱子系统(7)在多个测试孔(20)中孵育第一多个测试混合物，其中：(i)使用第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；(ii)来自所述第一多个测试混合物中的每个测试混合物具有一定浓度的第一抗微生物剂；(iii)在来自所述第一多个测试混合物中的每个测试混合物中，第一抗微生物剂溶液在该测试混合物中的浓度不同于所述第一抗微生物剂溶液在来自所述第一多个测试混合物中的每个其他测试混合物中的浓度；(iv)使用相同的第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；并且(v)所述第一多个测试混合物包含所述第一抗微生物剂浓度为零的生长混合物；(b)在多个成像时间处，对于来自所述第一多个测试混合物中的每个测试混合物，使用AST照相机(35)捕获该测试混合物的图像，其中每个成像时间发生在孵育开始之后；(c)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，通过处理器(51)执行包括以下的步骤来获得多个机器学习输出：(i)确定该测试混合物的多个特征值，其中：(A)每个特征值对应于来自多个参数中的参数；并且(B)基于在所述多个成像时间处捕获的该测试混合物的图像确定该测试混合物的多个特征值；以及(ii)将针对该测试混合物确定的多个特征值提供给机器学习模型；以及(d)所述处理器(51)基于所述多个机器学习输出生成所述第一生物样品的MIC预测。
实施例44
实施例43所述的生物测试系统(1)，其中：(a)所述多个成像时间包含与孵育开始相隔第一持续时间的最早成像时间；(b)来自所述多个成像时间中的除所述最早成像时间之外的每个成像时间与其前一成像时间相隔第二持续时间；并且(c)所述第二持续时间比所述第一持续时间短。
实施例45
实施例44所述的生物测试系统(1)，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：(a)该测试混合物的多个特征值包含第一组特征值和第二组特征值；(b)所述第一组特征值基于在来自所述多个成像时间中的第一时间处捕获的图像；(c)所述第二组特征值基于在来自所述多个成像时间中的第二时间处捕获的图像；并且(d)所述多个参数包括参数组，其中来自所述参数组的每个参数对应于来自所述第一组特征值的一个值和来自所述第二组特征值的一个值。
实施例46
实施例45所述的生物测试系统，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，对于来自所述多个成像时间中的每个成像时间，该测试混合物的多个特征值包含：来自所述参数组的每个参数的变化率值。
实施例47
实施例45至46中任一项所述的生物测试系统(1)，其中，对于来自所述多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：(a)所述多个特征值包含特征值生长组；(b)对于来自所述多个成像时间中的每个成像时间，来自所述参数组的每个参数对应于来自所述特征值生长组的一个特征值；并且(c)来自所述特征值生长组的特征值基于在所述多个成像时间处捕获的生长混合物的图像。
实施例48
实施例43至47中任一项所述的生物测试系统(1)，其中：(a)所述方法还包括：(i)孵育第二多个测试混合物，其中：(A)使用第二生物样品对来自所述第二多个测试混合物中的每个测试混合物进行接种；(B)来自所述第二多个测试混合物中的每个测试混合物具有一定浓度的第二抗微生物剂；并且(C)在来自所述第二多个测试混合物中的每个测试混合物中，所述第二抗微生物剂在该测试混合物中的浓度不同于所述第二抗微生物剂在来自所述第二多个测试混合物中的每个其他测试混合物中的浓度；(ii)对于来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，通过执行包括以下的步骤来获得第二多个机器学习输出：将针对该测试混合物确定的多个特征值提供给机器学习模型；以及(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物和来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，提供有针对该测试混合物确定的多个特征值的机器学习模型是相同的机器学习模型。
实施例49
实施例48所述的生物测试系统(1)，其中所述第一抗微生物剂与所述第二抗微生物剂不同。
实施例50
实施例48至49中任一项所述的生物测试系统(1)，其中：(a)所述第一生物样品包含第一微生物；(b)所述第二生物样品包含第二微生物；并且(c)所述第一微生物不同于所述第二微生物。
实施例51
实施例43至50中任一项所述的生物测试系统(1)，其中：(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得中间MIC预测以作为该测试混合物的机器学习输出；(b)生成所述第一生物样品的MIC预测包括向MIC创建函数提供所述多个机器学习输出。
实施例52
实施例51所述的生物测试系统(1)，其中，对于来自所述第一多个测试混合物的至少一个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是比该测试混合物中所述第一抗微生物剂的浓度更低的第一抗微生物剂的浓度。
实施例53
实施例51至52中任一项所述的生物测试系统(1)，其中：(a)所述机器学习模型是具有多个输出节点的神经网络；(b)来自所述多个输出节点的每个输出节点对应于潜在MIC；并且(c)对于来自所述第一多个测试混合物中的每个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是对应于当将针对该测试混合物确定的多个特征值提供给所述神经网络时具有最高值的输出节点的潜在MIC。
实施例54
实施例43至53中任一项所述的生物测试系统(1)，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，将对所述第一抗微生物剂的识别与针对该测试混合物确定的多个特征值一起提供给所述机器学习模型。
实施例55
实施例43至54中任一项所述的生物测试系统(1)，其中：(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得生长预测以作为该测试混合物的机器学习输出；(b)生成所述第一生物样品的MIC预测包括：识别获得抑制生长预测的具有最低浓度的第一抗微生物剂的测试混合物，以作为该测试混合物的机器学习输出。
实施例56
实施例55所述的生物测试系统(1)，其中：(a)所述机器学习模型是包含一个或更多个决策树的系综，每个决策树具有多个叶节点，每个叶节点通过指示生长或抑制的分支连接至父节点；并且(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得针对该测试混合物的生长预测包括：当将该测试混合物的多个特征值提供给所述机器学习模型时，基于是否存在更多的通过指示生长的分支连接至父节点的叶节点或者是否存在更多的通过指示抑制的分支连接至父节点的叶节点来预测生长或抑制。
实施例57
实施例55所述的生物测试系统(1)，其中所述机器学习模型是训练成提供输出节点上的生长预测的机器学习模型。
实施例58
实施例43所述的生物测试系统(1)，其中：(a)所述机器学习模型是决策树分类器；(b)所述方法包括：(i)确定对所述第一生物样品所包含的微生物的识别；以及(ii)基于对所述微生物的识别，从多个决策树分类器中选择决策树分类器。
实施例59
实施例58所述的生物测试系统(1)，其中：(a)所述多个参数由以下组成：(i)微生物面积；(ii)微生物面积的差异；以及(iii)微生物生长；(b)所述多个特征值包含：(i)来自所述多个成像时间中的最后成像时间处的微生物面积；(ii)从倒数第二成像时间到所述最后成像时间的微生物面积的差异；以及(iii)所述最后成像时间处的微生物生长。
V其他
应理解，在以上实施例和权利要求书中，某事物“基于”其他事物的陈述应理解为意指该事物至少部分地由被指示为其所基于的事物确定。为了表明某事物必须完全基于其他事物来确定，其被描述为“排他性地基于”其必须完全由之确定的任何事物。
应理解，除上述那些之外或代替上述那些，本文中所述的任何实施例均可包含多种其他特征。仅通过实例的方式，本文中所述的任何实施例还可包含通过引用并入本文的任何多种参考文献中公开的多种特征中的一种或更多种。
应理解，本文中所述的教导、表达、实施方案、实施例等中的任何一个或更多个可与本文中所述的其他教导、表达、实施方案、实施例等中的任何一个或更多个组合。因此，不应相对于彼此孤立地查看上述教导、表达、实施方案、实施例等。鉴于本文中的教导，可组合本文中的教导的多种合适的方式对于本领域普通技术人员将是显而易见的。这样的修改和变化旨在包括在权利要求书的范围内。
应理解，据称通过引用并入本文的任何专利、出版物或其他公开材料，其全部或部分仅在所并入的材料不与本公开内容中阐述的现有定义、陈述或其他公开材料冲突的范围内并入本文。因此，并且在必要的程度上，在本文中明确阐述的公开内容取代了通过引用并入本文的任何冲突材料。据称通过引用并入本文但与本文中阐述的现有定义、陈述或其他公开材料相冲突的任何材料或其部分将仅在所并入的材料与现有的公开材料之间不存在冲突的范围内被并入。
已示出并描述了本发明的多种形式，在不脱离本发明的范围的情况下，本领域普通技术人员可通过适当的修改来实现本文中所述的方法和系统的进一步改进。已提到了数种这样的潜在修改，并且其他修改对于本领域技术人员将是明显的。例如，上面讨论的实施例、形式、几何学图形、材料、尺寸、比值、步骤等是说明性而不是必需的。因此，本发明的范围应根据所附权利要求书来考虑，并且应理解为不限于在说明书和附图中示出和描述的结构和操作的细节。

Claims (59)

1.方法，其包括：
(a)使用生物测试系统的培养箱子系统在多个测试孔中孵育第一多个测试混合物，其中：
(i)使用第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；
(ii)来自所述第一多个测试混合物中的每个测试混合物具有一定浓度的第一抗微生物剂；
(iii)在来自所述第一多个测试混合物中的每个测试混合物中，第一抗微生物剂溶液在该测试混合物中的浓度不同于所述第一抗微生物剂溶液在来自所述第一多个测试混合物中的每个其他测试混合物中的浓度；
(iv)使用相同的第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；并且
(v)所述第一多个测试混合物包含所述第一抗微生物剂浓度为零的生长混合物；
(b)在多个成像时间处，对于来自所述第一多个测试混合物中的每个测试混合物，使用抗微生物易感性测试AST照相机捕获该测试混合物的图像，其中每个所述成像时间发生在孵育开始之后；
(c)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，通过计算机系统的处理器执行包括以下的步骤来获得多个机器学习输出：
(i)确定该测试混合物的多个特征值，其中：
(A)每个特征值对应于来自多个参数中的参数；并且
(B)基于在所述多个成像时间处捕获的该测试混合物的图像确定该测试混合物的多个特征值；
以及
(ii)将针对该测试混合物确定的多个特征值提供给机器学习模型；
以及
(d)所述计算机系统的处理器基于所述多个机器学习输出生成所述第一生物样品的最低抑制浓度MIC预测。
2.权利要求1所述的方法，其中：
(a)所述多个成像时间包含与孵育开始相隔第一持续时间的最早成像时间；
(b)来自所述多个成像时间中的除所述最早成像时间之外的每个成像时间与其前一成像时间相隔第二持续时间；并且
(c)所述第二持续时间比所述第一持续时间短。
3.权利要求2所述的方法，其中所述第一持续时间是90分钟，并且所述第二持续时间是30分钟。
4.权利要求1至3中任一项所述的方法，其中所述多个成像时间包含与孵育开始相隔四小时的最晚成像时间。
5.权利要求1至4中任一项所述的方法，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：
(a)该测试混合物的多个特征值包含第一组特征值和第二组特征值；
(b)所述第一组特征值基于在来自所述多个成像时间中的第一时间处捕获的图像；
(c)所述第二组特征值基于在来自所述多个成像时间中的第二时间处捕获的图像；并且
(d)所述多个参数包括参数组，其中来自所述参数组的每个参数对应于来自所述第一组特征值的一个值和来自所述第二组特征值的一个值。
6.权利要求5所述的方法，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，对于来自所述多个成像时间中的每个成像时间，该测试混合物的多个特征值包含：来自所述参数组的每个参数的变化率值。
7.权利要求5至6中任一项所述的方法，其中，对于来自所述多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：
(a)所述多个特征值包含特征值生长组；
(b)对于来自所述多个成像时间中的每个成像时间，来自所述参数组的每个参数对应于来自所述特征值生长组的一个特征值；并且
(c)来自所述特征值生长组的特征值基于在所述多个成像时间处捕获的生长混合物的图像。
8.权利要求5至7中任一项所述的方法，其中所述参数组包含微生物计数。
9.权利要求1至8中任一项所述的方法，其中：
(a)所述方法还包括：
(i)孵育第二多个测试混合物，其中：
(A)使用第二生物样品对来自所述第二多个测试混合物中的每个测试混合物进行接种；
(B)来自所述第二多个测试混合物中的每个测试混合物具有一定浓度的第二抗微生物剂；并且
(C)在来自所述第二多个测试混合物中的每个测试混合物中，所述第二抗微生物剂在该测试混合物中的浓度不同于所述第二抗微生物剂在来自所述第二多个测试混合物中的每个其他测试混合物中的浓度；
(ii)对于来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，通过执行包括以下的步骤来获得第二多个机器学习输出：将针对该测试混合物确定的多个特征值提供给所述机器学习模型；以及
(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物和来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，提供有针对该测试混合物确定的多个特征值的机器学习模型是相同的机器学习模型。
10.权利要求9所述的方法，其中所述第一抗微生物剂与所述第二抗微生物剂不同。
11.权利要求9至10中任一项所述的方法，其中所述第一抗微生物剂和第二抗微生物剂各自被分类至由以下组成的组：
(a)β-内酰胺；
(b)氨基糖苷类；
(c)氟喹诺酮类；
(d)碳青霉烯类；和
(e)四环素类。
12.权利要求9至11中任一项所述的方法，其中所述第一抗微生物剂和第二抗微生物剂各自来自由以下组成的组：
(a)头孢吡肟；
(b)头孢噻肟；
(c)头孢他啶；
(d)庆大霉素；
(e)左氧氟沙星；
(f)美洛培南；和
(g)四环素。
13.权利要求9至12中任一项所述的方法，其中：
(a)所述第一生物样品包含第一微生物；
(b)所述第二生物样品包含第二微生物；并且
(c)所述第一微生物不同于所述第二微生物。
14.权利要求9至13中任一项所述的方法，其中所述第一微生物和第二微生物均是革兰氏阴性的。
15.权利要求9至14中任一项所述的方法，其中所述第一微生物和第二微生物均来自由以下组成的组：
(a)鲍氏不动杆菌(Acinetobacter baumannii)；
(b)弗氏柠檬酸杆菌(Citrobacter freundii)；
(c)产气肠杆菌(Enterobacter aerogenes)；
(d)阴沟肠杆菌(Enterobacter cloacae)；
(e)大肠杆菌(Eschericia coli)；
(f)产酸克雷伯菌(Klebsiella oxytoca)；
(g)肺炎克雷伯菌(Klebsiella pneumoniae)；
(h)奇异变形杆菌(Proteus mirabilis)；
(i)铜绿假单胞菌(Pseudomonas aeruginosa)；
(j)荧光假单胞菌(Pseudomonas fluorescens)；
(k)雷氏普鲁威登菌(Providendia rettgeri)；
(1)黏质沙雷菌(Serratia marcescens)；
(m)伤寒沙门菌(Salmonella typhi)；和
(n)副伤寒沙门菌(Salmonella paratyphi)。
16.权利要求1至15中任一项所述的方法，其中：
(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得中间MIC预测以作为该测试混合物的机器学习输出；
(b)生成所述第一生物样品的MIC预测包括向MIC创建函数提供所述多个机器学习输出。
17.权利要求16所述的方法，其中所述第一生物样品的MIC预测是来自所述多个机器学习输出的中位中间MIC预测。
18.权利要求16至17中任一项所述的方法，其中，对于来自所述第一多个测试混合物的至少一个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是比该测试混合物中所述第一抗微生物剂的浓度更低的第一抗微生物剂的浓度。
19.权利要求16至18中任一项所述的方法，其中：
(a)所述机器学习模型是具有多个输出节点的神经网络；
(b)来自所述多个输出节点的每个输出节点对应于潜在MIC；并且
(c)对于来自所述第一多个测试混合物中的每个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是对应于当将针对该测试混合物确定的多个特征值提供给所述神经网络时具有最高值的输出节点的潜在MIC。
20.权利要求1至19中任一项所述的方法，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，将对所述第一抗微生物剂的识别与针对该测试混合物确定的多个特征值一起提供给所述机器学习模型。
21.权利要求1至14中任一项所述的方法，其中：
(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得生长预测以作为该测试混合物的机器学习输出；
(b)生成所述第一生物样品的MIC预测包括：识别获得抑制生长预测的具有最低浓度的第一抗微生物剂的测试混合物，以作为该测试混合物的机器学习输出。
22.权利要求21所述的方法，其中：
(a)所述机器学习模型是包含一个或更多个决策树的系综，每个决策树具有多个叶节点，每个叶节点通过指示生长或抑制的分支连接至父节点；并且
(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得针对该测试混合物的生长预测包括：当将该测试混合物的多个特征值提供给所述机器学习模型时，基于是否存在更多的通过指示生长的分支连接至父节点的叶节点或者是否存在更多的通过指示抑制的分支连接至父节点的叶节点来预测生长或抑制。
23.权利要求21所述的方法，其中所述机器学习模型是被训练成提供输出节点上的生长预测的机器学习模型。
24.权利要求9至14中任一项所述的方法，其中所述第一微生物和第二微生物均来自由以下组成的组：
(a)鲍氏不动杆菌；
(b)弗氏柠檬酸杆菌；
(c)阴沟肠杆菌；
(d)大肠杆菌；
(e)产酸克雷伯菌；
(f)铜绿假单胞菌；
(g)荧光假单胞菌；
(h)黏质沙雷菌；
(i)伤寒沙门菌；
(j)副伤寒沙门菌；
(k)奇异变形杆菌；和
(l)雷氏普鲁威登菌。
25.权利要求1至21或23至24中任一项所述的方法，其中所述参数组包含：
(a)微生物面积；和
(b)微生物面积与微生物计数的比值。
26.权利要求1至4或21中任一项所述的方法，其中：
(a)所述机器学习模型是决策树分类器；
(b)所述方法包括：
(i)确定对所述第一生物样品所包含的微生物的识别；以及
(ii)基于对所述微生物的识别，从多个决策树分类器中选择决策树分类器。
27.权利要求26所述的方法，其中所述第一生物样品所包含的微生物的类型选自由以下组成的微生物类型的组：
(a)革兰氏阴性发酵菌；
(b)革兰氏阴性非发酵菌；
(c)革兰氏阳性微球菌科；和
(d)革兰氏阳性链球菌科。
28.权利要求27所述的方法，其中：
(a)所述第一生物样品所包含的微生物的类型是革兰氏阴性发酵菌；并且
(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：
(i)嗜水气单胞菌(Aeromonas hydrophilia)；
(ii)弗氏柠檬酸杆菌；
(iii)克氏柠檬酸杆菌(Citrobacter koseri)；
(iv)产气肠杆菌；
(v)阴沟肠杆菌；
(vi)大肠杆菌；
(vii)产酸克雷伯菌；
(viii)肺炎克雷伯菌；
(ix)摩氏摩根菌(Morganelle morganii)；
(x)奇异变形杆菌；
(xi)彭氏变形杆菌(Proteus penneri)；
(xii)普通变形杆菌(Proteus vulgaris)；
(xiii)斯氏普鲁威登菌(Providencia stuartii)；
(xiv)雷氏普鲁威登菌；
(xV)副伤寒沙门菌；
(xvi)伤寒沙门菌；
(xvii)黏质沙雷菌；
(xviii)痢疾志贺菌(Shigella dysenteriae)；
(xix)福氏志贺氏菌(Shigella flexneri)；
(xx)宋氏志贺菌(Shigella sonnei)；
(xxi)霍乱弧菌(Vibrio cholerae)；和
(xxii)小肠结肠炎耶尔森氏菌(Yersinia enterocolitica)。
29.权利要求27所述的方法，其中：
(a)所述第一生物样品所包含的微生物的类型是革兰氏阴性非发酵菌；并且
(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：
(i)鲍氏不动杆菌；
(ii)溶血性不动杆菌(Acinetobacer haemolyticus)；
(iii)洛菲不动杆菌(Acinetobacter lwoffii)；
(iv)莫拉菌(Moraxella)物种；
(v)铜绿假单胞菌；
(vi)产碱假单胞菌(Pseudomonas alcaligenes)；
(vii)荧光假单胞菌；
(viii)恶臭假单胞菌(Pseudomonas putida)；和
(ix)嗜麦芽窄食单胞菌(Stenotrophamonas maltophilia)。
30.权利要求27所述的方法，其中：
(a)所述第一生物样品所包含的微生物的类型是革兰氏阳性微球菌科；并且
(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：
(i)金黄色葡萄球菌(Staphylococcus aureus)；
(ii)头状葡萄球菌(Staphylococcus capitis)；
(iii)表皮葡萄球菌(Staphylococcus epidermidis)；
(iv)溶血性葡萄球菌(Staphylococcus haemolyticus)；
(v)腐生葡萄球菌(Staphylococcus saprophyticus)；
(vi)沃氏葡萄球菌(Staphylococcus warneri)；
(vii)模仿葡萄球菌(Staphylococcus simulans)；和
(viii)路邓葡萄球菌(Staphylococcus lugdenensis)。
31.权利要求27所述的方法，其中：
(a)所述第一生物样品所包含的微生物的类型是革兰氏阳性链球菌科；并且
(b)所述第一生物样品所包含的微生物选自由以下组成的微生物的组：
(i)鸟肠球菌(Enterococcus avium)；
(ii)粪肠球菌(Enterococcus faecalis)；
(iii)屎肠球菌(Enterococcus faecium)；
(iv)鹑鸡肠球菌(Enterococcus gallinarum)；
(v)棉子糖肠球菌(Enterococcus raffinosus)；
(vi)牛链球菌(Streptococcus bovis)；
(vii)酿脓链球菌(Streptococcus pyogenes)；和
(viii)肺炎链球菌(Streptococcus pneumoniae)。
32.权利要求26所述的方法，其中所述第一生物样品所包含的微生物的类型选自由以下组成的微生物类型的组：
(a)肠杆菌科；
(b)假单胞菌科；
(c)不动杆菌科；
(d)微球菌科；和
(e)链球菌科。
33.权利要求26所述的方法，其中所述第一抗微生物剂的类型选自由以下组成的抗微生物剂类型的组：
(a)氨基糖苷类；
(b)安莎霉素；
(c)β-内酰胺，青霉素类；
(d)β-内酰胺加抑制剂组合；
(e)碳青霉烯类；
(f)头孢烯类；
(g)氟喹诺酮类；
(h)叶酸途径抑制剂；
(i)磷霉素；
(j)糖肽；
(k)林可酰胺；
(l)脂肽；
(m)大环内酯类；
(n)
Figure FDA0003135973770000101
唑烷酮类；和
(o)四环素类。
34.权利要求33所述的方法，其中：
(a)所述第一抗微生物剂的类型是氨基糖苷类；并且
(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：
(i)阿米卡星；
(ii)庆大霉素；和
(iii)妥布霉素。
35.权利要求33所述的方法，其中：
(a)所述第一抗微生物剂的类型是β-内酰胺，青霉素类；并且
(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：
(i)青霉素；和
(ii)苯唑西林。
36.权利要求33所述的方法，其中：
(a)所述第一抗微生物剂的类型是β-内酰胺加抑制剂组合；并且
(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：
(i)阿莫西林+克拉维酸；
(ii)氨苄青霉素+舒巴坦；
(iii)头孢他啶+阿维巴坦；
(iv)头孢洛生+他唑巴坦；
(v)哌拉西林+他唑巴坦；和
(vi)替卡西林+克拉维酸。
37.权利要求33所述的方法，其中：
(a)所述第一抗微生物剂的类型是碳青霉烯类；并且
(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：
(i)多尼培南；
(ii)厄他培南；
(iii)亚胺培南；和
(iv)美洛培南。
38.权利要求33所述的方法，其中：
(a)所述第一抗微生物剂的类型是头孢烯类；并且
(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：
(i)头孢唑啉；
(ii)头孢吡肟；
(iii)头孢噻肟；
(iv)头孢西丁；
(v)头孢洛林；
(vi)头孢他啶；
(vii)头孢曲松；
(viii)头孢唑肟；和
(ix)头孢呋辛。
39.权利要求33所述的方法，其中：
(a)所述第一抗微生物剂的类型是氟喹诺酮类；并且
(b)所述第一抗微生物剂选自由以下组成的抗微生物剂的组：
(i)环丙沙星；和
(ii)左氧氟沙星。
40.权利要求26所述的方法，其中：
(a)所述多个参数由以下组成：
(i)微生物面积；
(ii)微生物面积的差异；以及
(iii)微生物生长；
(b)所述多个特征值包含：
(i)来自所述多个成像时间中的最后成像时间处的微生物面积；
(ii)从倒数第二成像时间到所述最后成像时间的微生物面积的差异；以及
(iii)所述最后成像时间处的微生物生长。
41.非暂时性计算机可读介质，其编码用于执行权利要求1至40中任一项所述的方法的指令。
42.计算机系统，其配置有用于使生物测试系统执行权利要求1至40中任一项所述的方法的指令。
43.生物测试系统，其包含配置有一组可操作的计算机指令的处理器，当执行所述计算机指令时使得所述系统执行包括以下的方法：
(a)使用所述生物测试系统的培养箱子系统在多个测试孔中孵育第一多个测试混合物，其中：
(i)使用第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；
(ii)来自所述第一多个测试混合物中的每个测试混合物具有一定浓度的第一抗微生物剂；
(iii)在来自所述第一多个测试混合物中的每个测试混合物中，第一抗微生物剂溶液在该测试混合物中的浓度不同于所述第一抗微生物剂溶液在来自所述第一多个测试混合物中的每个其他测试混合物中的浓度；
(iv)使用相同的第一生物样品对来自所述第一多个测试混合物中的每个测试混合物进行接种；并且
(v)所述第一多个测试混合物包含所述第一抗微生物剂浓度为零的生长混合物；
(b)在多个成像时间处，对于来自所述第一多个测试混合物中的每个测试混合物，使用抗微生物易感性测试AST照相机捕获该测试混合物的图像，其中每个所述成像时间发生在孵育开始之后；
(c)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，通过所述处理器执行包括以下的步骤来获得多个机器学习输出：
(i)确定该测试混合物的多个特征值，其中：
(A)每个特征值对应于来自多个参数中的参数；并且
(B)基于在所述多个成像时间处捕获的该测试混合物的图像确定该测试混合物的多个特征值；
以及
(ii)将针对该测试混合物确定的多个特征值提供给机器学习模型；
以及
(d)所述处理器基于所述多个机器学习输出生成所述第一生物样品的最低抑制浓度MIC预测。
44.权利要求43所述的生物测试系统，其中：
(a)所述多个成像时间包含与孵育开始相隔第一持续时间的最早成像时间；
(b)来自所述多个成像时间中的除所述最早成像时间之外的每个成像时间与其前一成像时间相隔第二持续时间；并且
(c)所述第二持续时间比所述第一持续时间短。
45.权利要求44所述的生物测试系统，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：
(a)该测试混合物的多个特征值包含第一组特征值和第二组特征值；
(b)所述第一组特征值基于在来自所述多个成像时间中的第一时间处捕获的图像；
(c)所述第二组特征值基于在来自所述多个成像时间中的第二时间处捕获的图像；并且
(d)所述多个参数包括参数组，其中来自所述参数组的每个参数对应于来自所述第一组特征值的一个值和来自所述第二组特征值的一个值。
46.权利要求45所述的生物测试系统，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，对于来自所述多个成像时间中的每个成像时间，该测试混合物的多个特征值包含：来自所述参数组的每个参数的变化率值。
47.权利要求45至46中任一项所述的生物测试系统，其中，对于来自所述多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物：
(a)所述多个特征值包含特征值生长组；
(b)对于来自所述多个成像时间中的每个成像时间，来自所述参数组的每个参数对应于来自所述特征值生长组的一个特征值；并且
(c)来自所述特征值生长组的特征值基于在所述多个成像时间处捕获的生长混合物的图像。
48.权利要求43至47中任一项所述的生物测试系统，其中：
(a)所述方法还包括：
(i)孵育第二多个测试混合物，其中：
(A)使用第二生物样品对来自所述第二多个测试混合物中的每个测试混合物进行接种；
(B)来自所述第二多个测试混合物中的每个测试混合物具有一定浓度的第二抗微生物剂；并且
(C)在来自所述第二多个测试混合物中的每个测试混合物中，所述第二抗微生物剂在该测试混合物中的浓度不同于所述第二抗微生物剂在来自所述第二多个测试混合物中的每个其他测试混合物中的浓度；
(ii)对于来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，通过执行包括以下的步骤来获得第二多个机器学习输出：将针对该测试混合物确定的多个特征值提供给所述机器学习模型；以及
(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物和来自所述第二多个测试混合物的第二抗微生物剂浓度大于零的每个测试混合物，提供有针对该测试混合物确定的多个特征值的机器学习模型是相同的机器学习模型。
49.权利要求48所述的生物测试系统，其中所述第一抗微生物剂与所述第二抗微生物剂不同。
50.权利要求48至49中任一项所述的生物测试系统，其中：
(a)所述第一生物样品包含第一微生物；
(b)所述第二生物样品包含第二微生物；并且
(c)所述第一微生物不同于所述第二微生物。
51.权利要求43至50中任一项所述的生物测试系统，其中：
(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得中间MIC预测以作为该测试混合物的机器学习输出；
(b)生成所述第一生物样品的MIC预测包括向MIC创建函数提供所述多个机器学习输出。
52.权利要求51所述的生物测试系统，其中，对于来自所述第一多个测试混合物的至少一个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是比该测试混合物中所述第一抗微生物剂的浓度更低的第一抗微生物剂的浓度。
53.权利要求51至52中任一项所述的生物测试系统，其中：
(a)所述机器学习模型是具有多个输出节点的神经网络；
(b)来自所述多个输出节点的每个输出节点对应于潜在MIC；并且
(c)对于来自所述第一多个测试混合物中的每个测试混合物，作为该测试混合物的机器学习输出获得的中间MIC预测是对应于当将针对该测试混合物确定的多个特征值提供给所述神经网络时具有最高值的输出节点的潜在MIC。
54.权利要求43至53中任一项所述的生物测试系统，其中，对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，将对所述第一抗微生物剂的识别与针对该测试混合物确定的多个特征值一起提供给所述机器学习模型。
55.权利要求43至54中任一项所述的生物测试系统，其中：
(a)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得所述多个机器学习输出包括：在将针对该测试混合物确定的多个特征值提供给所述机器学习模型之后，获得生长预测以作为该测试混合物的机器学习输出；
(b)生成所述第一生物样品的MIC预测包括：识别获得抑制生长预测的具有最低浓度的第一抗微生物剂的测试混合物，以作为该测试混合物的机器学习输出。
56.权利要求55所述的生物测试系统，其中：
(a)所述机器学习模型是包含一个或更多个决策树的系综，每个决策树具有多个叶节点，每个叶节点通过指示生长或抑制的分支连接至父节点；并且
(b)对于来自所述第一多个测试混合物的第一抗微生物剂浓度大于零的每个测试混合物，获得针对该测试混合物的生长预测包括：当将该测试混合物的多个特征值提供给所述机器学习模型时，基于是否存在更多的通过指示生长的分支连接至父节点的叶节点或者是否存在更多的通过指示抑制的分支连接至父节点的叶节点来预测生长或抑制。
57.权利要求55所述的生物测试系统，其中所述机器学习模型是训练成提供输出节点上的生长预测的机器学习模型。
58.权利要求43所述的生物测试系统，其中：
(a)所述机器学习模型是决策树分类器；
(b)所述方法包括：
(i)确定对所述第一生物样品所包含的微生物的识别；以及
(ii)基于对所述微生物的识别，从多个决策树分类器中选择决策树分类器。
59.权利要求58所述的生物测试系统，其中：
(a)所述多个参数由以下组成：
(i)微生物面积；
(ii)微生物面积的差异；以及
(iii)微生物生长；
(b)所述多个特征值包含：
(i)来自所述多个成像时间中的最后成像时间处的微生物面积；
(ii)从倒数第二成像时间到所述最后成像时间的微生物面积的差异；以及
(iii)所述最后成像时间处的微生物生长。
CN201980086938.0A 2018-12-31 2019-12-20 使用机器学习的抗微生物易感性测试 Pending CN113286891A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862786678P 2018-12-31 2018-12-31
US62/786,678 2018-12-31
US201962894000P 2019-08-30 2019-08-30
US62/894,000 2019-08-30
PCT/US2019/067903 WO2020142274A1 (en) 2018-12-31 2019-12-20 Antimicrobic susceptibility testing using machine learning

Publications (1)

Publication Number Publication Date
CN113286891A true CN113286891A (zh) 2021-08-20

Family

ID=69374364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980086938.0A Pending CN113286891A (zh) 2018-12-31 2019-12-20 使用机器学习的抗微生物易感性测试

Country Status (5)

Country Link
US (1) US20210332320A1 (zh)
EP (2) EP3906315B1 (zh)
JP (1) JP7481345B2 (zh)
CN (1) CN113286891A (zh)
WO (1) WO2020142274A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022109091A1 (en) * 2020-11-19 2022-05-27 Beckman Coulter, Inc. Antimicrobic susceptibility testing using recurrent neural networks
WO2022241245A2 (en) * 2021-05-13 2022-11-17 Fluid-Screen, Inc. Techniques for spore separation, detection, and quantification
WO2023034046A1 (en) * 2021-08-31 2023-03-09 Beckman Coulter, Inc. Antimicrobic susceptibility testing using machine learning and feature classes

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160102334A1 (en) * 2014-10-14 2016-04-14 Quanta Matrix Co., Ltd. Rapid antimicrobial susceptibility test, based on an analysis of changes in morphology and growth pattern of a microbial cell under different concentrations of various antimicrobial agents, and automated cell image analysis system therefor
CN107002115A (zh) * 2014-10-06 2017-08-01 地中海传染基金会 分析和解释抗微生物敏感性测试的自动化方法
WO2018136864A1 (en) * 2017-01-23 2018-07-26 Beckman Coulter, Inc. Antimicrobic susceptibility testing using digital microscopy
WO2018187548A2 (en) * 2017-04-05 2018-10-11 Arizona Board Of Regents On Behalf Of Arizona State University Antimicrobial susceptibility testing with large-volume light scattering imaging and deep learning video microscopy

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230304064A1 (en) * 2016-06-14 2023-09-28 Beth Israel Deaconess Medical Center, Inc. Automated, digital dispensing platform for microdilution antimicrobial susceptibility testing

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107002115A (zh) * 2014-10-06 2017-08-01 地中海传染基金会 分析和解释抗微生物敏感性测试的自动化方法
US20160102334A1 (en) * 2014-10-14 2016-04-14 Quanta Matrix Co., Ltd. Rapid antimicrobial susceptibility test, based on an analysis of changes in morphology and growth pattern of a microbial cell under different concentrations of various antimicrobial agents, and automated cell image analysis system therefor
WO2018136864A1 (en) * 2017-01-23 2018-07-26 Beckman Coulter, Inc. Antimicrobic susceptibility testing using digital microscopy
WO2018187548A2 (en) * 2017-04-05 2018-10-11 Arizona Board Of Regents On Behalf Of Arizona State University Antimicrobial susceptibility testing with large-volume light scattering imaging and deep learning video microscopy

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARCUS NGUYEN等: "Developing an in silico minimum inhibitory concentration panel test for Klebsiella pneumoniae", 《SCIENTIFIC REPORTS》, vol. 8, no. 421, 11 January 2018 (2018-01-11), pages 1 - 11 *
刘明友等: "抗微生物肽机器学习预测算法综述", 《电子科技大学学报》, vol. 51, no. 6, 30 November 2022 (2022-11-30), pages 830 - 840 *

Also Published As

Publication number Publication date
EP3906315A1 (en) 2021-11-10
WO2020142274A1 (en) 2020-07-09
JP2022515853A (ja) 2022-02-22
US20210332320A1 (en) 2021-10-28
JP7481345B2 (ja) 2024-05-10
EP3906315B1 (en) 2022-12-28
EP4180530A1 (en) 2023-05-17

Similar Documents

Publication Publication Date Title
US20210332320A1 (en) Antimicrobic susceptibility testing using machine learning
Maquelin et al. Prospective study of the performance of vibrational spectroscopies for rapid identification of bacterial and fungal pathogens recovered from blood cultures
EP0635126B1 (en) Detection of microorganisms and determination of their sensitivity to antibiotics
KR20170132856A (ko) 신속한 미생물 동정 및 항균제 감수성 시험을 위한 기기 및 시스템
Croxatto et al. Towards automated detection, semi-quantification and identification of microbial growth in clinical bacteriology: a proof of concept
EP2971055A1 (en) Rapid determination of microbial growth and antimicrobial susceptibility
JP7127033B2 (ja) デジタル顕微鏡を使用する抗菌剤感受性試験
JP6830593B2 (ja) 微生物の判別方法
US20230340394A1 (en) System for controlling the development of a culture in a solid medium in a robotised incubator
US20230416801A1 (en) Antimicrobic susceptibility testing using recurrent neural networks
DE102016113748A1 (de) Kombiniertes optisch-spektroskopisches Verfahren zur Bestimmung von mikrobiellen Erregern
Mencacci et al. Laboratory Automation, Informatics and Artificial Intelligence: current and future perspectives in clinical microbiology
Jacot et al. Performance evaluation of the becton Dickinson kiestra™ IdentifA/SusceptA
WO2023006967A1 (en) Method and system for prediction of microorganism growth using artificial intelligence
CN110177883B (zh) 使用数字显微术的抗微生物易感性测试
Canali et al. Real-time digital bright field technology for rapid antibiotic susceptibility testing
Vaculík et al. Rapid identification of pathogens in blood serum via raman tweezers in combination with advanced processing methods
WO2023034046A1 (en) Antimicrobic susceptibility testing using machine learning and feature classes
US20220230711A1 (en) Microbial engineering methods and systems for optimizing microbe fitness
Fong et al. Detecting foodborne pathogens with darkfield hyperspectral microscopy
WO2024054455A1 (en) Platform for antimicrobial susceptibility testing and bacterial identification
Do Young Kim Understanding Laboratory Automation in Clinical Microbiology Although often considered difficult to implement, automated systems for clinical microbiology labs hold promise—particularly in the wake of increased testing demands and staff shortages.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination