CN118339308A - 确定微生物对抗微生物剂易感性的方法 - Google Patents
确定微生物对抗微生物剂易感性的方法 Download PDFInfo
- Publication number
- CN118339308A CN118339308A CN202280078213.9A CN202280078213A CN118339308A CN 118339308 A CN118339308 A CN 118339308A CN 202280078213 A CN202280078213 A CN 202280078213A CN 118339308 A CN118339308 A CN 118339308A
- Authority
- CN
- China
- Prior art keywords
- microorganism
- susceptibility
- spectrum
- colony
- strain
- 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
Links
- 244000005700 microbiome Species 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000004599 antimicrobial Substances 0.000 title claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 64
- 230000000813 microbial effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 241000894007 species Species 0.000 claims abstract description 13
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 8
- 241000191967 Staphylococcus aureus Species 0.000 claims description 11
- RJQXTJLFIWVMTO-TYNCELHUSA-N Methicillin Chemical compound COC1=CC=CC(OC)=C1C(=O)N[C@@H]1C(=O)N2[C@@H](C(O)=O)C(C)(C)S[C@@H]21 RJQXTJLFIWVMTO-TYNCELHUSA-N 0.000 claims description 10
- 229960003085 meticillin Drugs 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 17
- 230000003595 spectral effect Effects 0.000 description 14
- 239000002609 medium Substances 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 241000894006 Bacteria Species 0.000 description 8
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 8
- 238000000701 chemical imaging Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000000845 anti-microbial effect Effects 0.000 description 6
- 230000001580 bacterial effect Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002906 microbiologic effect Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003115 biocidal effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 229920001817 Agar Polymers 0.000 description 3
- 239000008272 agar Substances 0.000 description 3
- 239000003242 anti bacterial agent Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000855 fermentation Methods 0.000 description 3
- 230000004151 fermentation Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241000193163 Clostridioides difficile Species 0.000 description 2
- 241000588724 Escherichia coli Species 0.000 description 2
- 241000607142 Salmonella Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000001963 growth medium Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 108010059993 Vancomycin Proteins 0.000 description 1
- 230000000735 allogeneic effect Effects 0.000 description 1
- 229940121375 antifungal agent Drugs 0.000 description 1
- 239000003429 antifungal agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001840 matrix-assisted laser desorption--ionisation time-of-flight mass spectrometry Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 238000012543 microbiological analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000006916 nutrient agar Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 229960003165 vancomycin Drugs 0.000 description 1
- MYPYJXKWCTUITO-LYRMYLQWSA-N vancomycin Chemical compound O([C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC1=C2C=C3C=C1OC1=CC=C(C=C1Cl)[C@@H](O)[C@H](C(N[C@@H](CC(N)=O)C(=O)N[C@H]3C(=O)N[C@H]1C(=O)N[C@H](C(N[C@@H](C3=CC(O)=CC(O)=C3C=3C(O)=CC=C1C=3)C(O)=O)=O)[C@H](O)C1=CC=C(C(=C1)Cl)O2)=O)NC(=O)[C@@H](CC(C)C)NC)[C@H]1C[C@](C)(N)[C@H](O)[C@H](C)O1 MYPYJXKWCTUITO-LYRMYLQWSA-N 0.000 description 1
- MYPYJXKWCTUITO-UHFFFAOYSA-N vancomycin Natural products O1C(C(=C2)Cl)=CC=C2C(O)C(C(NC(C2=CC(O)=CC(O)=C2C=2C(O)=CC=C3C=2)C(O)=O)=O)NC(=O)C3NC(=O)C2NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(CC(C)C)NC)C(O)C(C=C3Cl)=CC=C3OC3=CC2=CC1=C3OC1OC(CO)C(O)C(O)C1OC1CC(C)(N)C(O)C(C)O1 MYPYJXKWCTUITO-UHFFFAOYSA-N 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Abstract
本发明涉及一种用于预测微生物菌株对抗微生物剂的易感性的方法,所述方法的特征在于其包括通过客户端(2)的数据处理装置(4)实施以下步骤:(a)获得代表不含抗微生物剂的样品(22)中所述菌株的至少一个菌落的390nm至900nm的高光谱图像;(b)基于对应于所述菌落的所述高光谱图像的像素确定菌落的光谱,以下称为“测试光谱”;(c)将所述测试光谱与预定数据库中的微生物类别(以下称为“参考微生物类别”)进行比较,所述类别对应于低于所述物种的分类学水平,并用微生物菌株的至少一个高光谱学习,对于每个参考微生物类别,所述数据库包含所述参考微生物类别对微生物剂的易感性;(d)将所述微生物菌株对微生物剂的易感性确定为与最接近测试高光谱的光谱的参考微生物类别相关联的易感性。
Description
技术领域
本发明涉及微生物分析领域,尤其涉及微生物的表征,特别是酵母、霉菌和细菌对抗微生物剂的敏感性或抗性性质的预测。
有利地,本发明适用于分析在可观察的培养基中生长的一个或多个细菌、霉菌或酵母菌菌落的高光谱图像。
背景技术
在微生物特别是病原体的体外诊断领域中,表征微生物优选包括鉴定其物种及其对抗微生物剂(或“抗菌谱”)的敏感性,以确定对感染该微生物的患者的治疗。为此,通常在实验室中实施复杂的微生物学过程,该过程通常需要预先了解微生物的其他特性,特别是其界别(例如酵母或细菌),以及在细菌背景下其革兰氏类型或其发酵或非发酵性质。事实上,该信息特别允许选择适合微生物的培养基或抗微生物剂类型,以便最终确定其种类或其抗菌谱。例如,申请人销售的微生物鉴定库的选择是基于对微生物(例如,酵母对细菌)的界别或待鉴定细菌菌株的革兰氏类型的了解。类似地,使用申请人销售的2系统确定细菌菌株的抗菌谱是基于对作为所述菌株的革兰氏类型和发酵或非发酵性质的函数的卡的选择。还可以引用由根据待鉴定的微生物是酵母还是细菌而使用不同基质的MALDI-TOF质谱法进行的鉴定。因此,尽快了解这些信息可以优化微生物过程,特别是通过加速所述过程或减少所用消耗品的量。
历史上,这些属性中的每一个都是使用包括大量手工步骤(附着、染色、媒染、洗涤、过度染色等)的技术来确定的,因此实施起来很耗时。
国际申请WO 2019/122732描述了一种用于确定细菌菌株的革兰氏类型和发酵性质的方法,该方法是自动的并且不需要对细菌或其培养基进行标记或染色来确定这些特征。为此,使用了被称为多光谱或甚至高光谱成像系统的成像系统。这是一个具有高光谱分辨率的系统,允许产生由具有大量通道的培养皿反射或透射的光的数字图像。标准RGB图像有三个通道,而HSI(“高光谱成像(Hyper Spectral Imaging)”)图像形成了一个数据立方体,在390至900nm的波长范围内可以有数百个光谱通道(光谱分辨率为几纳米)。然后,应用于HSI图像的合适分类算法允许确定革兰氏类型和所代表菌株的发酵或非发酵性质。然后可以选择适合该微生物的培养基或抗微生物剂类型,以最终确定其对抗生素的敏感性,作为其在培养基样品中生长的函数。
Arrigoni,Turra和Signoroni的题为“Hyperspectral image analysis forrapid and accurate discrimination of bacterial infections:A benchmark study”的文献甚至提出从HSI图像中直接确定微生物的种类。如上所述,这一信息很有趣,但其本身不足以确定微生物是否对抗微生物剂具有抗性,还需要制作抗菌谱。事实上,对于同一个物种,如金黄色葡萄球菌(S.aureus),一些菌株具有抗性,而另一些则不具有抗性。例如,MRSA(耐甲氧西林金黄色葡萄球菌)和MSSA(甲氧西林敏感金黄色葡萄球菌)指的是分别对甲氧西林抗生素有抗性或无抗性的金黄色葡萄球菌菌株。
Park等人的,题为“Classification of Salmonella Serotypes withHyperspectral Microscope Imagery”的文献提出了一种以低于物种的分类学对微生物进行分类的解决方案,但不利于复杂的处理和材料。事实上,需要分离一个菌落,然后使用“HMI”显微镜专门采集该菌落的HSI图像。然后,该算法在个体规模上逐个观察细胞,该个体观察用于分类。
因此,仍然希望能够有一种快速有效的解决方案来确定微生物对抗微生物剂的易感性,即抗性或敏感性。例如,将这种解决方案整合到例如临床过程中,该临床过程包括从可能感染病原微生物的患者身上采集样品,使用本发明的解决方案制备用于分析的样品,应用本发明的解决方案,根据所述解决方案提供的易感性结果选择抗微生物剂,然后将选择的抗微生物剂施用到患者身上。有利地,本发明适用于分析一个或多个细菌、霉菌或酵母菌菌落的高光谱图像,所述菌落已在培养基中生长并且可以在不使用标记或染色、不以个体规模观察细胞或不使用高放大率光学系统如显微镜并且不必破坏细菌或菌落的情况下进行观察。
有利地,只要菌落占据所采集的高光谱图像中的一些像素,特别是10个像素,本发明就可以应用。
发明内容
本发明的目的是使用在不存在抗微生物剂的培养基上生长的微生物菌落的高光谱成像来预测所述微生物对所述抗微生物剂的易感性。
为此,本发明的目的是一种用于预测微生物菌株对抗微生物剂的易感性的方法,该方法的特征在于其包括通过客户端的数据处理装置实施以下步骤:
(a)获得代表不含抗微生物剂的样品中所述菌株的至少一个菌落的390
nm至900nm的高光谱图像;
(b)从对应于所述菌落的所述高光谱图像的像素确定菌落的光谱,后文称为“测试光谱”;
(c)将所述测试光谱与预定数据库中的微生物类别(后文称为“参考微生物类别”)进行比较,所述类别对应于低于所述物种的分类学水平,并在微生物菌株的至少一个高光谱的光谱上学习,所述数据库,对于每个参考微生物类别,包括该参考微生物类别对抗微生物剂的易感性;
(d)将微生物菌株对微生物剂的易感性确定为与最接近高光谱测试光谱的参考微生物类别相关联的易感性。
换句话说,发明人已经发现390nm至900nm的高光谱成像包含足够的信息来预测两种微生物菌株是克隆的或来自同一种系,并因此对抗微生物剂具有相同的易感性。通过了解一个类别的易感性,通过预测一种新微生物属于所述类别,该新微生物能够预测所述类别的易感性。
术语“微生物类别”在本文中被理解为表示在低于物种的分类学水平上,特别是在菌株水平上表征微生物身份的任何数字对象,可以使用合适的度量将菌落的高光谱的光谱与该对象进行比较,以确定所述菌落是否属于所述类别。例如,微生物类别可以是通过受监控或不受监控的机器学习算法或通过参考高光谱学习的类别。
根据一个优选实施方案,比较和确定的步骤通过基于监测分类的预测器来实施,该监测分类将数据库中的微生物菌株的身份作为参考微生物类别,其中训练分类的阶段包括:
(c1)采集数据库中每种微生物菌株的各种菌落的高光谱;
(c2)在各种菌落的高光谱的光谱上训练分类。
换句话说,该实施方案不是确定代表微生物菌株的光谱并将该光谱与正在进行测试的菌落的光谱进行比较,而是从来自微生物菌株的各种菌落的高光谱的光谱中学习类别,这允许将光谱采集中的任何变化考虑在内,如测量误差、照明的可变性或者甚至具有生物学性质的光谱的可变性(改变光谱的菌落的可变厚度、可变颜色等)。
更特别地,预测器是卷积的人工神经网络。优选地,数据库被频繁更新,以便考虑尚未列出的新菌株、高光谱的菌株内可变性,或者以便合并由样品制备和不同照明产生的数据。这种预测器的使用提供了处理灵活性,因为它所合并的预处理(例如,通过由一个或多个卷积层减小变量的大小来提取特征)不是先验设置的。
根据本发明的实施方案:
-步骤(b)包括分割所述高光谱图像,以便检测样品中的所述菌落;
-步骤(a)包括通过连接至所述客户端的观察设备采集所述高光谱图像;
-该方法包括步骤(a0):通过服务器的数据处理装置从高光谱图像或已分类的
菌落光谱的训练数据库中学习所述自动分类模型的参数;
-微生物菌株是金黄色葡萄球菌菌株,抗微生物剂是甲氧西林。
本发明的另一个目的是一种用于确定微生物对抗微生物剂的易感性的系统,包括至少一个包含数据处理装置的客户端,其特征在于所述数据处理装置被配置为实现:
-获得代表样品中所述微生物的至少一个菌落的高光谱图像;
-从对应于所述菌落的所述高光谱图像的像素确定菌落的光谱;
-将所述测试光谱与预定数据库中的微生物类别(后文称为“参考微生物类别”)进行比较,所述类别对应于低于所述物种的分类学水平,并在微生物菌株的至少一个高光谱中学习,所述数据库,对于每个参考微生物类别,包括该参考微生物类别对抗微生物剂的易感性;
-将微生物菌株对微生物剂的易感性确定为与最接近高光谱测试光谱的参考微生物类别相关联的易感性。
根据一个实施方案,该系统进一步包括用于采集所述高光谱图像的观察设备。
本发明的另一个目的是一种计算机程序产品,其包括当在计算机上执行所述程序时用于执行如上所述的用于确定微生物对抗微生物剂的易感性的方法的代码指令。
本发明的另一个目的是存储计算机程序产品的计算机设备可读的存储装置,该计算机程序产品包括用于执行如上所述的用于确定微生物对抗微生物剂的易感性的方法的代码指令。
附图说明
通过阅读下面对优选实施方案的描述,本发明的其他特征和优点将变得显而易见。将参考附图来提供该描述,其中:
-图1是用于实现根据本发明的方法的架构图;
-图2a显示了在根据本发明的方法的实施方案中使用的用于观察样品中微生物的设备的第一实施方案;
-图2b显示了在根据本发明的方法的优选实施方案中使用的用于观察样品中微生物的设备的第二实施方案;
-图3a显示了对抗微生物剂具有抗性的一类菌落谱图的实例;
-图3b显示了对抗微生物剂具有敏感性的一类菌落谱图的实例;
-图4显示了根据本发明的方法的优选实施方案的步骤;
-图5显示了在根据本发明的方法的优选实施方案中使用的卷积神经网络架构的实例;
-图6显示了根据本发明的基于卷积神经网络的预测器的混淆矩阵。
具体实施方式
架构
本发明涉及用于确定给定物种的微生物对抗微生物剂的易感性的方法。所述微生物通常是细菌、霉菌或酵母(在本说明书的其余部分将使用金黄色葡萄球菌的实例,但这也可以是大肠杆菌(E.coli)、艰难梭菌(C.difficile)等),并且所述微生物剂是抗生素(特别是甲氧西林,当时是金黄色葡萄球菌的首选抗生素,但也例如万古霉素)或者是与酵母和霉菌有关的抗真菌剂。
如将会看到的,该方法可以包括机器学习组件,特别是从支持向量机(SVM)或卷积神经网络(CNN)中选择的分类模型。
更具体地说,该方法是一种用于对微生物的图像(称为高光谱图像)进行分类的方法,使得输入或学习数据是图像类型,并代表样品22中所述微生物的至少一个菌落(换句话说,它涉及样品的图像,其中至少一个菌落,通常是多个菌落,是可见的,即实验室技术人员肉眼可检测到的或通过本身已知的分割算法在图像中可检测到的。举例来说,一旦菌落在图像中达到大于10个像素的尺寸,就可以检测到该菌落)。样品22适合于所述微生物的培养,通常是倒在培养皿中的琼脂,尽管它可以是任何培养基或反应性培养基。下文将提及高光谱图像的概念,表示为HSI图像。
本方法是在如图1所示的架构内借助于服务器1和客户端2,来实现的。服务器1是学习设备(实施学习方法),客户端2是操作设备(实施用于确定微生物对抗微生物剂的易感性的方法),例如医生、医院或微生物实验室的终端。
两个设备1、2很可能被合并,但是优选地,服务器1是远程设备,而客户端2是消费者设备,特别是台式计算机、笔记本电脑等。客户端2有利地连接至观察设备10,以便能够直接采集所述输入图像,通常用于直接处理它;或者,输入图像将被加载至客户端2上。
在所有情况下,每个设备1、2通常是链接到局域网或广域网(例如因特网)的远程计算设备,用于交换数据。每个设备包括处理器类型的数据处理装置3、4,以及数据存储装置5、6,如计算机存储器,特别是永久存储器,例如闪存或硬盘,存储用于执行根据本发明的方法的所有计算机指令。客户端2通常包括用于交互的用户接口7,如屏幕。
服务器1有利地存储所考虑物种的数据库,包括属于该物种的微生物菌株的列表,并且对于每个所述菌株,包括:
-用于学习菌株菌落的高光谱的光谱,即一组已经分类的对象;
-与菌株对微生物剂的敏感性或抗性性质相关的数据;
-任选地,与测试条件相关的数据。
采集
即使如所解释的,本方法可以直接将任何高光谱图像作为代表样品22中所述微生物的至少一个菌落的输入,特别是在培养皿中倒入琼脂形成营养培养基,该培养基允许以任何方式获得的含有一种或多种微生物菌株的液体样品铺展后微生物菌落的生长,但是本方法优选以从观察设备10提供的数据获得输入图像的步骤(a)开始。
以已知的方式,本领域技术人员可以使用高光谱成像技术,特别是如国际申请WO2019/122732中所述。
与传统的三通道RGB图像相比,高光谱图像被理解为包括大量光谱通道的图像,特别是至少七个,有利地至少二十个,并且可能超过两百个(将使用223个通道的实例)。总的来说,与Park等人在题为“Classification of Salmonella Serotypes withHyperspectral Microscope Imagery”的文献中特别描述的设备相比,设备10是“简单的”,因为它只需要能够采集样品22的HSI图像,因此不需要显微镜,显微镜的高放大率使得聚焦困难。
现在将描述对应于图2a和2b的设备10的两个可能的实施方案。
参考图2a,设备10例如是参考高光谱成像系统,即由美国蒙大拿州Resonon销售的“Pika II”。有利地,它包括:
-“高光谱”照相机18,其由以下组成:包括基础传感器阵列的数字传感器,例如CCD或CMOS型数字传感器,其在例如[λmin;λmax]=[390nm;900nm]的波长范围内敏感;以及用于选择由传感器采集的波长的光色散元件或光谱仪;
-物镜20,用于将要采集其高光谱图像的样品22的光学图像聚焦在照相机18的数字传感器上;
-前照明24,例如,由一个或多个同种异体灯(lampes allogenes)组成,例如,2或4盏灯,能够发出范围在[λmin;λmax]的光并为样品22提供均匀的正面照明。
例如,照明是白光灯类型;
-后照明26,例如由白光LED矩阵组成,以便为该范围内的样品22提供均匀的后照明;
-支架28,支撑样品22并允许样品在物镜20前面通过,以便通过扫描获得完整的图像。
设备10被配置成例如以160微米的采样率(空间分辨率估计为300微米)和在[λmin;λmax]范围内具有几纳米的光谱分辨率采集尺寸为90毫米乘90毫米的区域的图像。在大约500nm的范围内可以超过200个通道。特别地,选择物镜20的视场和景深,以便获得可以包括半径至多1cm、优选至多0.9cm、甚至更优选为0.5cm的完整菌落的图像。
因此,设备10产生由样品22反射的光的数字HSI图像,该图像被错误地称为“超立方体”,因为它实际上是三维的:两个空间维度和一个光谱维度,每个像素(或者由于HSI图像的三维性质,是体素)表示在光谱通道的样品22的点处测量的辐射率。
像素的辐射率通常称为“发光强度”,在这种情况下对应于在整个曝光持续时间内照相机18的传感器的相应基础敏感部位的表面上入射光的量,例如,如数字摄影领域本身已知的那样。
设备10可以包括机载数据处理装置,其被配置为处理由照相机18产生的HSI图像和/或将一切委托给客户端2。
这些处理装置在所有情况下都配备有一组存储器(RAM、ROM、高速缓存、大容量存储器等)用于存储由设备10产生的图像、用于执行根据本发明的方法的计算机指令、对该执行有用的参数以及用于存储中间和最终计算的结果。如所解释的,客户端2任选地包括显示屏7,用于显示该方法的最终结果。尽管描述了单个处理单元,但是本发明显然适用于由几个处理单元执行的处理(例如,用于预处理HSI图像的照相机18中的机载单元和用于执行剩余处理的客户端2的单元4)。此外,客户端2的接口7可以允许输入与样品22相关的数据,特别是当预测依赖于培养基时所使用的培养基类型,例如通过操作者可用的键盘/鼠标和下拉菜单、读取存在于培养皿上的条形码/QR码并包括与样品22相关的信息的条形码/QR码读取器等。
参考图2b,根据第二实施方案,设备10可以替代地包括照相机34,有利地是高空间分辨率CMOS或CCD照相机,其耦合至例如一组光谱滤波器36,所述光谱滤波器设置在物镜20的前面、在物镜20和照相机32的传感器之间。这组滤波器36由NF个不同的带通滤波器组成,每个带通滤波器被配置成仅透射范围[λmin;λmax]部分内的光,其半峰全宽(FWHM)光谱宽度小于或等于50nm,优选小于或等于20nm。该组36例如是滤波轮,其通常可以容纳多达24个不同的滤波器,该轮由数据处理单元控制,该数据处理单元启动该轮以使所述滤波器经过照相机前方,并控制每个所述滤波器的图像捕获。
方法
输入HSI图像的“分类”包括从描述图像的一组可能的类别中确定至少一个类别。本方法提出使用自动分类模型来确定待测微生物是否属于数据库中已列出的菌株之一,而不是直接确定微生物对抗微生物剂的易感性或甚至例如微生物是否属于特定的定型(stéréotype)。
具体地说,参考图3a和3b,它们分别代表了耐甲氧西林(MRSA)和对甲氧西林敏感(MSSA)的金黄色葡萄球菌菌落的多个光谱实例,应该注意到这两个光谱并不具有完全相同的外观,因此有可能对新的金黄色葡萄球菌菌落的敏感性或抗性特性进行直接区分分类。然而,发明人发现,这种易感性预测器的性能能力在临床或工业微生物学领域中是不够的。例如,在BCR,高斯核SVM预测器的性能能力稳定在70%。
参考图4,在获得高光谱图像的步骤(a)之后,该方法包括从对应于所述菌落的所述高光谱图像的像素确定菌落光谱的步骤(b)。
术语“菌落光谱”被理解为表示作为频率的函数的对菌落规模测定的光强度曲线。在数学上,这是与HSI图像的通道数量相关的尺寸向量(即,在本文提供的实例中为223)。
优选地,该光谱被确定为对应于所述菌落的所述高光谱图像的像素上的平均光谱。实际上,作为提醒,HSI图像包括每个空间像素的多个对应的强度值。
在这方面,步骤(b)有利地包括分割所述高光谱图像以便检测样品22中的所述菌落,然后确定光谱,如通常通过在分割的像素上以逐个通道的方式平均强度所解释的。例如,步骤(b)包括自动检测菌落(例如,通过应用选择图像中圆形物体的滤波器,例如霍夫变换),和/或例如由实验室技术人员选择菌落的手动步骤。换句话说,菌落的每个像素有一个n=223的尺寸向量,这些向量的平均值被制成代表菌落的向量。实际上,菌落通常延伸到最大尺寸为11×11的HSI图像区域,因此只需为大约100个向量提供平均值。
在高光谱图像代表所述微生物的多个菌落的情况下,根据本发明的方法可以应用于例如根据与培养基中的尺寸或位置相关的标准选择的每个菌落或一组菌落。
一般来说,分割允许通过去除诸如细丝或灰尘之类的伪影来检测所有目的菌落。分割可以以任何已知的方式实现。
步骤(b)有利地包括处理光谱,特别是平滑和/或归一化光谱:
-平滑包括例如通过确定移动平均值来移除可能是伪像的峰;
-归一化旨在使光谱具有可比性,特别是使用标准的正态变量(SNV)技术,
包括从光谱中减去平均值并将其除以其标准偏差。
应该注意的是,如果学习数据库直接存储参考光谱,那么如果必要的话,它们优选地必须经历相同的平滑和/或归一化。
分类
在步骤(c)中,如所解释的,所述菌落光谱(必要时平滑和/或归一化)通过自动分类模型从由数据库中列出的菌株身份组成的微生物类别中直接分类。如果已经确定了多个光谱,则可以对每个光谱进行分类,并且可以汇总结果。
如上所述,自动分类模型可以是支持向量机(SVM)或卷积神经网络(CNN)。例如,在SVM的情况下,选择RBE(径向基函数)核SVM。
例如,在CNN的情况下,选择图5所示类型的架构,其特别适合于实现本方法。传统上,该架构有利地包括由一个或多个1D卷积层组成的一系列“卷积块”(因为输入不是图像而是光谱,即一维对象)、用于增加特征图深度的激活(activation)层(例如ReLU函数)、以及允许特征图的尺寸减小(通常为2倍)的1D池化(pooling)层(在这种情况下为最大池化)。值得注意的是,两个卷积块就足够了,因此,非常优选地,本CNN仅包括两个卷积块。
因此,在图5的实例中,如所解释的,CNN以分布在3个块中的12层开始。第一块将光谱作为输入(从而形成223尺寸的对象),并包括一个双卷积+激活序列,将深度增加到16,然后是一个最大池化层(也可以使用整体平均池化),将111x16尺寸的特征图作为输出(尺寸根据光谱维度除以2)。
第二块具有与第一块相同的架构,并且生成111x32尺寸的特征图(深度加倍)作为新的双卷积+激活的输出,并且生成55x32尺寸的特征图作为最大池化层的输出(光谱尺寸新减少了两倍)。
第三块具有与前两个块相同的架构,并且生成55x32尺寸的特征图(深度不变)作为新的双卷积+激活的输出,并且生成27x32尺寸的特征图作为最大池化层的输出(光谱尺寸新减少了两倍)。
在最后一个卷积块(在这种情况下是第三块)的输出处,CNN有利地包括“展平(flatten)”层,该层将从该块输出的最终特征图(包含最“深入”的信息)转换成向量(1维对象)。因此,例如,27x32尺寸的特征图转换成27*32=864的向量。将会理解,对任何水平上的图/滤波器的尺寸没有限制,并且前述尺寸仅仅是示例。
最后,传统上,这导致一个或多个完全连接的层(FC或“dense”层,如图5所示)和任选的最终激活层,例如softmax层。在所示的实例中,第一dense层将864尺寸的向量转换成更小的256尺寸的向量(这需要(864+l)*256=22,1440个参数,即CNN所有参数的90%),第二FC层将864尺寸的向量转换成尺寸为C的最终向量,其中C是期望的类别总数,即上述实例中的2、5或11(这需要(256+1)*C个参数)。
优选地,CNN由以下组成(即,确切地包括):一系列卷积块,然后是展平层,以及最后是一个或多个完全连接的层。
因此,可以看出参数的总数为200,000的数量级,这对于CNN来说是非常低的(通常有几千万个参数)。因此,本CNN可以由许多客户端2使用,包括具有中等计算资源的客户端。
同样,应当注意,术语“直接分类”或“端对端”被理解为不需要对所述菌群的至少一个特征图进行预分类或单独提取:应当理解,CNN自然具有特征图形式的内部状态,但是这些图从不返回到CNN的外部,CNN仅将分类结果作为输出。
学习
优选地,该方法可以包括由服务器1的数据处理装置3从学习数据库学习自动分类模型的参数的步骤(a0)。事实上,该步骤通常在上游实施,特别是由远程服务器1实施。如所解释的,学习数据库可以包括一定量的学习数据,特别是菌落的高光谱图像或者甚至直接来自光谱,在所有情况下都与它们的类别相关联(即微生物菌株的身份)。
模型的学习可以以本领域技术人员已知的适于所选模型的任何方式来实施。
在所有实施方案中,如果需要,学习模型的参数可以存储在客户端2的数据存储装置21上用于分类。应当注意,相同的模型可以被包括在许多客户端2上,然而只需要一个学习步骤。
优选地,所考虑的微生物物种的学习数据库如下形成。对所述物种的每个菌株进行以下操作:
-产生多个样品,优选至少3个样品,例如多个培养皿,其中已经倒入既不含抗微生物剂也不含标记或染色剂的营养琼脂,所述菌株的琼脂菌落已经在
其上生长;
-使用如图2所述的装置采集和存储每个样品的至少一个菌落的高光谱的光谱,优选每个培养皿的多个菌落的高光谱的光谱并且排列在离培养皿中心不同的距离,并如上所述处理所述光谱。前两个样品的光谱用于学习菌株的微生物类别,而其他样品(例如,当生产重复时的第三个样品)的光谱用于测试学习的性能能力。任选地,也可以使用不同的捕获设备对几个样品进行采集,以捕获由设备特征差异引起的光谱可变性(例如,设备之间光源的可
变性等);
-菌株对抗微生物剂易感性的表型测量,例如通过申请人销售的2或
使用现有技术中众所周知的e-测试或扩散盘,及其存储;
-菌株的基因组表征,例如,使用其基因组的完整测序并建立wgMLST图谱,如Martin C.J.Maiden的题为“MLST revisited:the gene-by-gene approach tobacterialgenomics”Nature Reviews Microbiology,2013的文献中所述,并存储该表征。
更新数据库及预测器
当菌株没有在数据库中列出时,例如由根据本发明的预测器确定,其返回预先学习的微生物菌株类别中的不确定分类,如上所述有利地进行对所述菌株的表征。有利地,将该菌株的基因组图谱与储存的基因组图谱进行比较,以确定该菌株实际上是否不同于储存在数据库中的菌株。在这种情况下,为菌株收集的数据被存储在数据库中,并且如上所述进行新的学习,以便合并对应于未列出菌株的新微生物类别。
计算机程序产品
根据第二和第三方面,本发明涉及一种计算机程序产品,其包括用于执行(特别是在服务器1和/或客户端2的数据处理装置3、5上)用于确定微生物对抗微生物剂的易感性的方法的代码指令,以及在其上存在该计算机程序产品的计算机设备可读的存储装置(服务器1和/或客户端2的存储器4、6)。
本发明的优选应用
本发明有利地并入:
-一种在限定了给定的地理区域的临床或工业环境(例如,医院部门、整个医院、一组医院、农业食品厂、饮用水分配设施等)中流行病学监测目的菌株的方法,数据库由从所述区域采样的菌株组成。因此,本发明提供了与不符合食品、环境或制造标准的医院疾病或微生物污染对抗的两项重要信息:识别或不识别新采样的菌株与在地理采样区已经看到的菌株及其对抗微生物剂的易感性。这些与采样区域(例如,医院房间、生产区域)相关的数据允许例如进行关于这些细菌如何在医院或生产工厂内传播的调查。应该注意的是,在医院流行病学监测的背景下,所有培养物都可以用于填充知识数据库,在微生物诊断过程的背景下实施的培养物,无论其是否整合了易感性测试,以及在医院入院筛查过程中在预防范围培养基上实施的培养物。因此,本发明提供了对医院中存在的各种抗性克隆进行流行病学监测的可能性;-一种对疑似感染了病原体的患者进行抗生素治疗的方法。众所周知,当患者被怀疑是感染的受害者时,在知道他们被感染的菌株的身份和抗菌谱之前,通常向他们施用广谱抗生素的组合,一旦菌株的抗菌谱完成,随后任选地修改抗生素治疗。微生物菌株的特征通常是在培养皿上进行多个连续的生长菌落的步骤。根据本发明,从生长的第一个迹象,可以预测菌株的身份及其对一种或多种抗微生物剂的易感性,从而临床医生可以调整他们的治疗而无需等待抗菌谱的结果。
实施例
本发明已用于预测50种金黄色葡萄球菌菌株对甲氧西林的易感性,以便基于CNN确定识别MRSA和MSSA菌株的预测器。下表针对学习数据库中列出的每种菌株,详细说明了对其采集了高光谱的光谱的菌落数和对甲氧西林的易感性。
图6显示了根据图5的神经网络的菌株的微生物菌株预测器的混淆矩阵。后者的全局精度(全局精度)为88%,每类的平均精度(“平衡精度”)为87%。
Claims (12)
1.一种用于预测微生物菌株对抗微生物剂的易感性的方法,所述方法的特征在于其包括通过客户端(2)的数据处理装置(4)实施以下步骤:
(a)获得代表不含抗微生物剂的样品(22)中所述菌株的至少一个菌落的390nm至900nm的高光谱图像;
(b)从对应于所述菌落的所述高光谱图像的像素确定所述菌落的光谱,后文称为“测试光谱”;
(c)将所述测试光谱与后文称为“参考微生物类别”的预定数据库中的微生物类别进行比较,所述类别对应于低于物种的分类学水平,并在微生物菌株的至少一个高光谱的光谱上学习,所述数据库对于每个参考微生物类别包括所述参考微生物类别对抗微生物剂的易感性;
(d)将所述微生物菌株对微生物剂的易感性确定为与最接近高光谱测试光谱的参考微生物类别相关联的易感性。
2.根据权利要求1所述的方法,其中所述比较和确定的步骤通过基于监测分类的预测器来实施,所述监测分类具有数据库中的微生物菌株的身份作为参考微生物类别,其中训练分类的阶段包括:
(c1)采集所述数据库中每种微生物菌株的各种菌落的高光谱的光谱;
(c2)在各种菌落的高光谱的光谱上训练分类。
3.根据权利要求2所述的方法,其中所述预测器是卷积人工神经网络。
4.根据前述权利要求中任一项所述的方法,其中步骤(b)包括分割所述高光谱图像,以便检测样品(22)中的所述菌落。
5.根据前述权利要求中任一项所述的方法,其中步骤(b)包括平滑和/或归一化所述菌落的光谱。
6.根据前述权利要求中任一项所述的方法,其中步骤(a)包括通过连接至所述客户端(2)的观察设备(10)采集所述高光谱图像。
7.根据前述权利要求中任一项所述的方法,包括步骤(a0):通过服务器(1)的数据处理装置(3)从高光谱图像或已分类的菌落光谱的训练数据库中学习所述自动分类模型的参数。
8.根据前述权利要求中任一项所述的方法,其中所述微生物菌株是金黄色葡萄球菌菌株,并且所述抗微生物剂是甲氧西林。
9.一种用于确定微生物对抗微生物剂的易感性的系统,包括至少一个包含数据处理装置(4)的客户端(2),其特征在于所述数据处理装置(4)被配置为实现:
-获得代表样品(22)中所述微生物的至少一个菌落的高光谱图像;
-从对应于所述菌落的所述高光谱图像的像素确定菌落的光谱;
-将所述测试光谱与后文称为“参考微生物类别”的预定数据库中的微生物类别进行比较,所述类别对应于低于物种的分类学水平,并在微生物菌株的至少一个高光谱的光谱上学习,所述数据库对于每个参考微生物类别包括所述参考微生物类别对抗微生物剂的易感性;
-将所述微生物菌株对微生物剂的易感性确定为与最接近高光谱测试光谱的参考微生物类别相关联的易感性。
10.根据权利要求9所述的系统,进一步包括用于采集所述高光谱图像的观察设备(10)。
11.一种计算机程序产品,其包含代码指令,所述代码指令用于当在计算机上执行所述程序时执行权利要求1至8中任一项所述的用于确定微生物对抗微生物剂的易感性的方法。
12.一种存储计算机程序产品的计算机设备可读的存储装置,所述计算机程序产品包括用于执行权利要求1至8中任一项所述的方法的代码指令,所述方法用于确定微生物对抗微生物剂的易感性。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FRFR2112454 | 2021-11-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118339308A true CN118339308A (zh) | 2024-07-12 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200357516A1 (en) | Systems and methods for automatically interpreting images of microbiological samples | |
JP6845221B2 (ja) | プレート培地上にストリークされた試料からの自動化された微生物コロニーカウントのための方法及びシステム | |
US20080102487A1 (en) | Method and apparatus for non-invasive rapid fungal specie (mold) identification having hyperspectral imagery | |
CN109415753A (zh) | 鉴定细菌革兰氏类型的方法和系统 | |
CN111492065A (zh) | 一种鉴别细菌革兰氏类型的系统和方法 | |
CN111492064A (zh) | 一种鉴别酵母或细菌的方法 | |
Mulaosmanovic et al. | High-throughput method for detection and quantification of lesions on leaf scale based on trypan blue staining and digital image analysis | |
US20040014165A1 (en) | System and automated and remote histological analysis and new drug assessment | |
Kristensen et al. | Using image processing and automated classification models to classify microscopic gram stain images | |
JP7127033B2 (ja) | デジタル顕微鏡を使用する抗菌剤感受性試験 | |
JP2023552701A (ja) | リカレントニューラルネットワークを使用した抗菌剤感受性試験 | |
PP et al. | Automated quality assessment of cocoons using a smart camera based system | |
CN118339308A (zh) | 确定微生物对抗微生物剂易感性的方法 | |
Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
US20220351005A1 (en) | Typing biological cells | |
WO2023094775A1 (fr) | Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien | |
RU2791813C1 (ru) | Система и способ обнаружения и классификации колоний микроорганизмов на изображениях на основе технологий искусственного интеллекта и компьютерного зрения | |
Gali et al. | Image based plant disease detection using computer vision | |
Martín et al. | Count of bacteria and yeast in microbial bioproduct using digital image processing | |
WO2024054455A1 (en) | Platform for antimicrobial susceptibility testing and bacterial identification | |
CN118314411A (zh) | 基于图像分析的微生物检测方法、系统、设备及介质 | |
US20230291992A1 (en) | Method and system for event-based imaging | |
Betzner et al. | High Resolution Image Registration for Micro-Colonies Monitoring on Petri Dishes | |
Fong et al. | Detecting foodborne pathogens with darkfield hyperspectral microscopy | |
Gorokhov et al. | Intelligent Technologies for the Segmentation and Classification of Microbiological Photographic Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |