EP4437493A1 - Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien - Google Patents

Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien

Info

Publication number
EP4437493A1
EP4437493A1 EP22826157.4A EP22826157A EP4437493A1 EP 4437493 A1 EP4437493 A1 EP 4437493A1 EP 22826157 A EP22826157 A EP 22826157A EP 4437493 A1 EP4437493 A1 EP 4437493A1
Authority
EP
European Patent Office
Prior art keywords
microbial
hyperspectral
spectrum
susceptibility
colony
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
EP22826157.4A
Other languages
German (de)
English (en)
Inventor
Bruno Tetart
Nicolas Faure
Denis Leroux
Jean-Marc Roche
Jordane LALLEMAND
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.)
Biomerieux SA
Original Assignee
Biomerieux SA
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 Biomerieux SA filed Critical Biomerieux SA
Publication of EP4437493A1 publication Critical patent/EP4437493A1/fr
Pending legal-status Critical Current

Links

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
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • the invention relates to the field of microbiological analysis, and in particular the characterization of microorganisms, in particular the prediction of the sensitive or resistant nature of yeasts, molds and bacteria to an antimicrobial agent.
  • the invention applies to the analysis of a hyperspectral image of one or more colonies of bacteria, molds or yeasts having grown in an observable culture medium.
  • the characterization of a microorganism preferably consists in identifying its species and its sensitivity to an antimicrobial agent, (or "antibiogram"), in order to determine a treatment for the infected patient. by this microorganism.
  • an antimicrobial agent or "antibiogram”
  • a complex microbiological process is usually implemented in the laboratory, a process which most often requires prior knowledge of other properties of the microorganism, in particular its kingdom (e.g. yeast or bacteria), and in the bacterial context its type of Gram or its fermentation character or not.
  • this information makes it possible in particular to choose a culture medium or a type of antimicrobial agent adapted to the microorganism in order to determine, in fine, its species or its antibiogram.
  • a culture medium or a type of antimicrobial agent adapted to the microorganism in order to determine, in fine, its species or its antibiogram.
  • the choice of an API® microorganism identification gallery marketed by the applicant is based on knowledge of the kingdom of the microorganism (e.g. yeast vs. bacteria) or the Gram type of the bacterial strain to be identified.
  • the determination of the antibiogram of a bacterial strain by the Vitek ® 2 system marketed by the applicant is based on the choice of a card according to the type of Gram and the fermenting character or not of the said strain.
  • each of these properties is determined by a technique that includes a large number of manual steps (fixing, staining, etching, washing, over-staining, etc.), and therefore time-consuming to implement.
  • International application WO 2019/122732 describes a method for determining the Gram type and the fermenting character of a bacterial strain which is automatic and which does not require marking or staining the bacterium or its culture medium to determine these characteristics. .
  • a so-called multispectral or even hyperspectral imaging system is used. It is a system with a high spectral resolution making it possible to produce a digital image of the light reflected by, or transmitted through, the Petri dish presenting a large number of channels.
  • HSI Hyper Spectral Imaging
  • a suitable classification algorithm applied to the HSI image then makes it possible to directly determine the type of Gram and the fermenting character or not of the strain represented. It is then possible to choose a culture medium or a type of antimicrobial agent adapted to the microorganism in order to determine, in fine, its sensitivity to the antibiotic according to its growth in a sample of the culture medium.
  • a solution making it possible to determine the susceptibility, ie the resistance or the sensitivity, of a microorganism to an antimicrobial agent.
  • a solution is integrated for example into a clinical process consisting in taking the sample from a patient likely to be infected by a pathogenic microorganism, in preparing the sample with a view to its analysis by the solution of the invention, in applying this last, to make a choice of antimicrobial according to the result of susceptibility delivered by the solution and then applying the selected antimicrobial to the patient.
  • the invention applies to the analysis of a hyperspectral image of one or more colonies of bacteria, molds or yeasts having grown in a culture medium and observable without the use of markers or staining, without observing the cells on an individual scale or without using a high magnification optical system such as a microscope, and without carrying out the destruction of the bacteria or the colonies.
  • the invention applies as soon as a colony occupies a few pixels in the acquired hyperspectral image, in particular from 10 pixels.
  • the object of the present invention is to predict the susceptibility of a microorganism to an antimicrobial agent using hyperspectral imaging of a microbial colony having grown on a culture medium without the presence of said antimicrobial.
  • the subject of the invention is a method for predicting the susceptibility of a microbial strain to an antimicrobial agent, the method being characterized in that it comprises the implementation, by data processing means, of steps of:
  • test spectrum Determination of a spectrum of the colony from the pixels of said hyperspectral image corresponding to said colony
  • reference microbial class Comparison of said test spectrum with microbial classes from a predetermined database, hereinafter "reference microbial class", said classes corresponding to a taxonomic level below the species and being learned on at least one spectrum hyperspectral of a microbial strain, the database comprising, for each reference microbial class, the susceptibility to the antimicrobial agent of the reference microbial class;
  • hyperspectral imaging between 390nm and 900nm contains enough information to predict that two microbial strains are clonal or from the same lineage and thus share the same susceptibility to the antimicrobial agent. .
  • the new microorganism is predicted the susceptibility of said class.
  • microbial class is meant here any digital object characterizing the microbial identity at a taxonomic level below the species, and in particular at a strain level, object with which one can compare the hypespectral spectrum of a colony to the using an appropriate metric to determine membership of said colony in said class.
  • the microbial classes can be classes learned by automated learning algorithms, supervised or not, or reference hyperspectral spectra for example.
  • the comparison and determination steps are carried out by means of a predictor based on a supervised classification having as reference microbial classes the identity of the microbial strains of the database, the training phase of the classification including:
  • this embodiment learns the classes on hypespectral spectra from different colonies. of the microbial strain, which makes it possible to take account of variation in the acquisition of spectra, such as measurement error, variability of lighting or even the variability of the spectrum of a biological nature (variable thickness of the colonies modifying the spectra , variable colors, etc.).
  • the predictor is a convolutional artificial neural network.
  • the database is updated frequently to take into account new strains not yet listed, intra-strain variability of hyperspectral spectra or to incorporate data from sample preparation and different lighting.
  • the use of such a predictor allows processing agility because the pre-processing it incorporates (e.g. feature extraction by reducing the size of the variables by the convolutional layer(s)) is not fixed a priori.
  • - step (b) comprises the segmentation of said hyperspectral image so as to detect said colony in the sample
  • - step (a) comprises the acquisition of said hyperspectral image by an observation device connected to said client.
  • the method comprises a step (aO) of learning, by data processing means of a server, the parameters of said automatic classification model from a learning base of hyperspectral images or colony spectra already classified.
  • the microbial strain is a strain of Staphylococcus aureus and the antimicrobial agent is methicillin.
  • the invention also relates to a system for determining the susceptibility of a microorganism to an antimicrobial agent, comprising at least one client comprising data processing means, said data processing means being configured to implement:
  • reference microbial class said classes corresponding to a taxonomic level lower than the species and being learned on at least one hyperspectral spectrum of a microbial strain, the database comprising, for each reference microbial class, the susceptibility to the antimicrobial agent of the reference microbial class;
  • the system further comprises an observation device (10) for acquiring said hyperspectral images.
  • the invention also relates to a computer program product comprising code instructions for the execution of a method as described above for determining the susceptibility of a microorganism to an antimicrobial agent, when said program is executed on a computer.
  • the invention also relates to a storage means readable by computer equipment on which a computer program product comprises code instructions for carrying out a method as described above for determining the susceptibility of a microorganism to an antimicrobial agent
  • FIG. 1 is a diagram of an architecture for implementing the method according to the invention
  • FIG. 2a represents a first embodiment of a device for observing microorganisms in a sample used in an embodiment of the method according to the invention
  • FIG. 2b represents a second embodiment of a device for observing microorganisms in a sample used in a preferred embodiment of the method according to the invention
  • Figure 3a shows an example of a colony spectrum of a class of resistance to an antimicrobial agent
  • Figure 3b shows an example of a colony spectrum of a class of susceptibility to an antimicrobial agent
  • FIG. 1 is a diagram of an architecture for implementing the method according to the invention
  • FIG. 2a represents a first embodiment of a device for observing microorganisms in a sample used in an embodiment of the method according to the invention
  • FIG. 2b represents a second embodiment of a device for observing microorganisms in a sample used in a preferred embodiment of the method according to the invention
  • FIG. 4 represents the steps of a preferred embodiment of the method according to the invention
  • FIG. 5 represents an example of convolutional neural network architecture used in a preferred embodiment of the method according to the invention
  • FIG. 6 represents a confusion matrix of a predictor based on a convolutional neural network according to the invention.
  • the invention relates to a method for determining the susceptibility of a microorganism of a given species to an antimicrobial agent.
  • Said microorganism is typically a bacterium, a mold or a yeast (we will take the example in the following description of S. aureus, but it could be E. coli, C. difficile, etc.), and said microbial agent a antibiotic (in particular methicillin was then the antibiotic of choice for S. aureus, but also vancomycin for example) or an antifungal concerning yeasts and moulds.
  • this method may comprise an automatic learning component, and in particular a classification model chosen from among a support vector machine, SVM, or a convolutional neural network, CNN.
  • the method is more precisely a method of classifying a so-called hyperspectral image of the microorganism, so that the input or learning data are of the image type, and represent at least one colony of said microorganism in a sample 22 (in d
  • these are images of the sample in which at least one colony - usually a plurality - is visible, i.e. detectable with the naked eye by a laboratory technician or detectable in the image by means of a segmentation algorithm known per se.
  • a colony is detectable as soon as it reaches a size greater than 10 pixels in the image).
  • Sample 22 is suitable for culturing said microorganism, typically an agar poured into a Petri dish, even if it can be any culture medium or reactive medium.
  • HSI image hyperspectral image
  • the present methods are implemented within an architecture such as represented by FIG. 1, thanks to a server 1 and a client 2.
  • the server 1 is the learning equipment (implementing the learning method ) and the client 2 is user equipment (implementing the method for determining the susceptibility of a microorganism to an antimicrobial agent), for example a terminal of a doctor, a hospital or a laboratory of microbiology.
  • the two devices 1, 2 are combined, but preferably the server 1 is a remote device, and the client 2 is a device for the general public, in particular an office computer, a laptop, etc.
  • the client equipment 2 is advantageously connected to an observation device 10, so as to be able to directly acquire said input image, typically to process it live, alternatively the input image will be loaded onto the client equipment 2 .
  • each item of equipment 1, 2 is typically a remote computer item of equipment connected to a local network or an extended network such as the Internet network for the exchange of data.
  • Each comprises data processing means 3, 4 of the processor type, and data storage means 5, 6 such as a computer memory, in particular permanent, for example a flash memory or a hard disk, storing all the computer instructions for implementing the method according to the invention.
  • Client 2 typically includes a user interface 7 such as a screen for interacting.
  • the server 1 advantageously stores a database for the species considered, comprising a list of microbial strains belonging to the species, and for each of said strains:
  • the present method can directly take as input any hyperspectral image representing at least one colony of said microorganism in the sample 22, in particular a Petri dish in which is poured an agar constituting a nutrient medium allowing the growth of microbial colonies following the display of a liquid sample containing one or more microbial strains, obtained in any way, the present method preferably begins with a step (a) of obtaining the input image from data provided by an observation device 10.
  • hyperspectral image an image comprising a large number of spectral channels, in particular at least seven, advantageously at least twenty, and potentially more than two hundred (we will take the example of 223 channels), in contrast with an RGB image classic three-channel.
  • the device 10 is “simple” compared to that of the document Park et al., Classification of Salmonella Serotypes with Hyperspectral Microscope Imagery, in particular, in that it just needs to be able to acquire an HSI image of the sample 22, and therefore does not require a microscope whose high magnification makes focusing difficult.
  • the lights are white light lamps;
  • the device 10 is for example configured to acquire the image of a region of 90 millimeters by 90 millimeters with a sampling step of 160 micrometers (spatial resolution estimated at 300 micrometers) and with a spectral resolution of a few nanometers over the range [Amim; Amax], 200 channels can be exceeded over a range of approximately 500 nm.
  • the field of view and the depth of field of the objective 20 are chosen so as to obtain images which can comprise complete colonies having a radius which can reach 1 cm, preferably which can reach 0.9 cm, and of even more preferably 0.5 cm.
  • the device 10 thus produces an HSI digital image of the light reflected by the sample 22, improperly called "hypercube” because in fact three-dimensional: two spatial dimensions and one spectral dimension, each pixel (or rather voxel due to the three-dimensional nature of the image HSI) representing the radiance measured at a point of the sample 22 for a spectral channel.
  • the radiance of a pixel corresponds here to the quantity of light incident on the surface of the corresponding elementary sensitive site of the sensor of the camera 18 during the exposure time, as is known per se field of digital photography for example.
  • the device 10 can comprise on-board data processing means configured to implement a processing of the HSI images produced by the camera 18 and/or to delegate everything to the client equipment 2.
  • processing means are in all cases provided with all the memories (RAM, ROM, cache, mass memory, etc.) for storing the images produced by the device 10, with computer instructions for the implementation of the method according to the invention, parameters useful for this implementation and for storing the results of the intermediate and final calculations.
  • the client 2 optionally comprises, as explained, a display screen 7 for viewing the final result of the process.
  • processing units e.g. a unit embedded in the camera 18 to implement a preprocessing of HSI images and the unit 4 of client 2 for the implementation of the rest of the processing).
  • the interface 7 of the client 2 can make it possible to enter data relating to the sample 22, in particular the type of culture medium used when the prediction depends on the medium, for example by means of a keyboard/mouse and a drop-down menu available to the operator, a barcode/QR code reader reading a barcode/QR code present on the Petri dish and comprising information on the sample 22, etc.
  • device 10 may alternatively comprise a camera 34, advantageously a high spatial resolution CMOS or CCD camera, coupled to a set of spectral filters 36, for example placed in front of the lens 20 between lens 20 and camera sensor 32.
  • Filter set 36 consists of an NF number of separate bandpass filters, each configured to only transmit light in part of the range [Xmin ; Xmax], with a spectral width at half maximum maximum (or FWHM for “full width half maximum”) less than or equal to 50 nm, and preferably less than or equal to 20 nm.
  • E'ensemble 36 is for example a filter wheel that can typically accommodate up to twenty-four different filters, wheel controlled by the data processing unit which actuates it to scroll past the camera said filters and command a recording. image for each of them.
  • the “classification” of an input HSI image consists of determining at least one class among a set of possible classes descriptive of the images. This method proposes to use an automatic classification model to determine the membership of the microorganism to be tested to one of the strains already listed in the database and not to directly determine the susceptibility of the microorganism to the antimicrobial agent or even the membership of the microorganism to particular stereotypes for example.
  • FIGS. 3a and 3b which each represent a plurality of examples of spectra respectively for colonies of S. aureus resistant to methicillin (MRSA) and sensitive to methicillin (MSSA), it is noted that the two spectra do not have exactly the same appearance, hence the possibility of a direct discriminatory classification of the sensitive or resistant character of a new colony of S. aureus.
  • MRSA methicillin
  • MSSA sensitive to methicillin
  • the two spectra do not have exactly the same appearance, hence the possibility of a direct discriminatory classification of the sensitive or resistant character of a new colony of S. aureus.
  • the inventors have however observed that the performance of such a susceptibility predictor is not sufficient in the field of clinical or industrial microbiology. For example, a Gaussian kernel SVM predictor sees its performance capped at 70% in BCR.
  • the method comprises, after step (a) of obtaining the hyperspectral image, a step (b) of determining a spectrum of the colony from the pixels of said hyperspectral image corresponding to the said colony.
  • colony spectrum we mean a curve representing the light intensity measured at the scale of the colony as a function of the frequency. Mathematically, it is a vector of size the number of channels of the HSI image (i.e. 223 in our example).
  • this spectrum is determined as the average spectrum over the pixels of said hyperspectral image corresponding to said colony.
  • the HSI image comprises for each spatial pixel a plurality of corresponding intensity values.
  • step (b) advantageously comprises the segmentation of said hyperspectral image so as to detect said colony in the sample 22, then the determination of the spectrum, as typically explained by averaging the intensity channel by channel on the pixels segmented.
  • step (b) includes the automatic detection of colonies (e.g. by applying a filter selecting round objects in the image, for example a Hough transformation) and/or a manual step of selecting colonies by a lab technician, for example.
  • a filter selecting round objects in the image for example a Hough transformation
  • a manual step of selecting colonies by a lab technician for example.
  • a colony generally extends over an area of the HSI image of size 11x11 at most, so that there are only about a hundred vectors to be averaged.
  • the method according to the invention can be applied to each colony or to a set of colonies chosen according to criteria of size or position in the culture medium, for example.
  • segmentation allows detection of all colonies of interest, removing artifacts such as filaments or dust.
  • the segmentation may be implemented in any known way.
  • Step (b) advantageously comprises spectrum processing, in particular its smoothing and/or normalization: smoothing, or “smoothing” consists of removing the peaks which are probably artefacts, for example by taking the moving average; the normalization aims to make the spectra comparable in particular by a technique known as variable normal standard (SNV) consisting in subtracting from the spectrum its mean and dividing it by its standard deviation.
  • SNV variable normal standard
  • the learning base directly stores reference spectra, they should preferably have undergone the same smoothing and/or normalization where applicable.
  • said spectrum of the colony (if necessary smoothed and/or normalized) is as explained directly classified by means of an automatic classification model among a microbial class consisting of the identity of the strains listed in the database. If a plurality of spectra have been determined, each spectrum can be classified, and the results aggregated.
  • the automatic classification model may be as explained a support vector machine, SVM, or a convolutional neural network (“CNN”).
  • SVM support vector machine
  • CNN convolutional neural network
  • RBE Random Basis Eunction
  • this architecture advantageously comprises a succession of so-called convolution blocks composed of one or more convolution layers ID (because the input is not an image but the spectrum, ie a one-dimensional object), an activation layer (e.g. the ReLU function) to increase the depth of feature maps, and an ID pooling layer (pooling - here MaxPooling) to decrease the size of the feature map (usually by one factor 2).
  • ID because the input is not an image but the spectrum, ie a one-dimensional object
  • an activation layer e.g. the ReLU function
  • an ID pooling layer pooling - here MaxPooling
  • the CNN starts as explained by 12 layers distributed in 3 blocks.
  • the first takes the spectrum as input (thus forming an object of size 223), and includes a double convolution + activation sequence raising the depth to 16 then a max pooling layer (you can also use global average pooling), with output a feature map of size 111x16 (the size is divided by two according to the spectral dimension).
  • the second block has an architecture identical to the first block and generates at the output of a new double convolution+activation set a feature map of size 111x32 (doubled depth) and at the output of the max pooling layer a feature map of size 55x32 (again spectral size reduction by a factor of two).
  • the third block has an architecture identical to the first two blocks and generates at the output of a new double convolution+activation set a map of features of size 55x32 (unchanged depth) and at the output of the max pooling layer a map of features of size 27x32 (again spectral size reduction by a factor of two).
  • the CNN advantageously comprises a "flattening" layer transforming the "final" feature map (containing the "deepest” information) at the output of this block into a vector (object of dimension 1).
  • a "flattening” layer transforming the "final" feature map (containing the "deepest” information) at the output of this block into a vector (object of dimension 1).
  • the CNN is composed of (ie comprises exactly) a sequence of convolution blocks, then a flattening layer, and finally one or more fully connected layers.
  • the method can comprise a step (a0) of learning, by the data processing means 3 of the server 1, from a learning base, the parameters of the automatic classification model.
  • This step is indeed typically implemented very upstream, in particular by the remote server 1.
  • the learning base can include a number of learning data, in particular hyperspectral images of colonies or directly spectra, in all cases associated with their class (i.e. the identity of microbial strains).
  • the training of the model can be carried out in any way known to those skilled in the art suitable for the chosen model.
  • the parameters of the learned model can be stored if necessary on data storage means 21 of the client 2 for use in classification. Note that the same model can be embedded on many clients 2, only one learning is necessary.
  • the training database for the microbial species considered is constituted as follows. For each strain of said species, the following is carried out:
  • the spectra of the first two samples are used for the learning of the microbial classes of strains, the spectra of the other samples (e.g. of the third sample in the case of production of triplicates) being used to test the performance of the learning.
  • the acquisition is also carried out on several samples using different capture devices in order to capture the variability of the spectra caused by differences in the characteristics of the devices (e.g. the variability of the light sources between devices. ..) ;
  • a strain is not listed in the database, as for example determined by the predictor according to the invention which returns an uncertain classification in the microbial classes of pre-learned strain, it is advantageously carried out a characterization of said strain as previously described.
  • the genomic profile of the strain is advantageously compared with the stored genomic profiles to determine whether it is indeed a different strain from those stored in the database.
  • the data collected for the strain are stored in the database and new learning is carried out as described above to incorporate a new microbial class corresponding to the unlisted strain.
  • the invention relates to a computer program product comprising code instructions for execution (in particular on data processing means 3, 5 of the server 1 and/or of the client 2) of a method for determining the susceptibility of a microorganism to an antimicrobial agent, as well as storage means readable by computer equipment (a memory 4, 6 of the server 1 and/or of the client 2) on which this computer program product is found.
  • a method of epidemiological monitoring of strains of interest in a clinical or industrial environment e.g. a hospital service, a hospital as a whole, a group of hospitals, an agri-food factory, a drinking water distribution installation. . .
  • a clinical or industrial environment e.g. a hospital service, a hospital as a whole, a group of hospitals, an agri-food factory, a drinking water distribution installation. . .
  • the invention thus delivers two important pieces of information in the fight against nosocomial diseases or microbial contamination that does not comply with food, environmental or manufacturing standards: the identity or not of a newly sampled strain with a strain already seen in the geographical area specimen and its susceptibility to the antimicrobial agent.
  • a method of antibiotic therapy of a patient suspected of being infected with a pathogenic agent As is known per se, when a patient is suspected of being the victim of an infection, a broad-spectrum antibiotic cocktail is generally administered to him before the identity and antibiogram of the strain that infects him is known. infects, the antibiotic therapy subsequently being possibly modified once the antibiogram of the strain has been carried out.
  • the characterization of a microbial strain usually involves several successive stages of colony growth on a Petri dish. Thanks to the invention, from the first growth, a prediction of the identity of the strain and of its susceptibility to one or more antimicrobials is available so that the clinician can adapt his therapy without waiting for the result of an antibiogram.
  • the invention was applied to the prediction of the susceptibility of 50 strains of Staphylocus aureus to methicillin so as to define a CNN-based predictor identifying the MRS A and MS SA strains.
  • the table below details for each of the strains, listed in the learning database, the number of colonies for which hyperspectral spectra were acquired and the susceptibility to methicillin.
  • Figure 6 illustrates the confusion matrix of a predictor of microbial strains of strains according to the neural network of Figure 5.
  • the overall accuracy of the latter (“global accuracy”) is 88% and the average accuracy per class ( “balanced accuracy”) and 87%.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Organic Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Zoology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Analytical Chemistry (AREA)
  • Toxicology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

La présente invention concerne un procédé de prédiction de la susceptibilité d'une souche microbienne à un agent antimicrobien, le procédé étant caractérisé en ce qu'il comprend la mise en œuvre, par des moyens de traitement de données (4) d'un client (2), d'étapes de : (a) Obtention d'une image hyperspectrale entre 390nm et 900 nm représentant au moins une colonie de ladite souche dans un échantillon dépourvu d'agent antimicrobien (22); (b) Détermination d'un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie, ci-après "spectre de test"; (c) Comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l'espèce et étant apprises sur au moins un spectre hyperspectral d'une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l'agent antimicrobien de la classe microbienne de référence; (d) Détermination de la susceptibilité de la souche microbienne à l'agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.

Description

Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien
DOMAINE TECHNIQUE GENERAL
L’invention a trait au domaine de l’analyse microbiologique, et en particulier de la caractérisation de microorganismes, notamment la prédiction du caractère sensible ou résistant de levures, de moisissures et de bactéries à un agent antimicrobien.
De manière avantageuse, l’invention s’applique à l’analyse d’une image hyperspectrale d’une ou plusieurs colonies de bactéries, de moisissures ou de levures ayant poussées dans un milieu de culture observable.
ETAT DE L’ART
Dans le domaine du diagnostic in vitro des microorganismes, en particulier pathogènes, la caractérisation d’un microorganisme consiste préférentiellement à identifier son espèce et sa sensibilité à un agent antimicrobien, (ou « antibiogramme »), afin de déterminer un traitement pour le patient infecté par ce microorganisme. Pour ce faire, un processus microbiologique complexe est usuellement mis en œuvre en laboratoire, processus qui nécessite le plus souvent la connaissance préalable d’autres propriétés du microorganisme, notamment son règne (e.g. levure ou bactérie), et dans le cadre bactérien son type de Gram ou son caractère fermentaire ou non. En effet, ces informations permettent notamment de choisir un milieu de culture ou un type d’agents antimicrobien adaptés au microorganisme afin de déterminer, in fine, son espèce ou son antibiogramme. Par exemple, le choix d’une galerie d’identification de microorganismes API® commercialisée par la demanderesse se fonde sur la connaissance du règne du microorganisme (e.g. levure vs bactérie) ou du type de Gram de la souche bactérienne à identifier. De même la détermination de l’antibiogramme d’une souche bactérienne par le système Vitek ® 2 commercialisé par la demanderesse se fonde sur le choix d’une carte en fonction du type de Gram et du caractère fermentant ou non de ladite souche. Il est également possible de citer l’identification par spectrométrie de masse MALDI-TOF employant une matrice différente selon que le microorganisme à identifier est une levure ou une bactérie. Ainsi connaître au plus tôt ces informations permet d’optimiser le processus microbiologique, notamment en accélérant ce dernier ou en réduisant le nombre de consommables employés.
Historiquement, chacune de ces propriétés est déterminée par une technique qui comprend un nombre important d’étapes manuelles (fixation, coloration, mordançage, lavage, sur coloration...), et donc longue à mettre en œuvre. La demande internationale WO 2019/122732 décrit une méthode de détermination du type de Gram et du caractère fermentant d’une souche de bactérie qui soit automatique et qui ne nécessite pas de marquer ou de colorer la bactérie ou son milieu de culture pour déterminer ces caractéristiques. Pour ce faire, on utilise un système d’imagerie dite multispectrale voire hyperspectrale. Il s’agit d’un système avec une forte résolution spectrale permettant de produire une image numérique de la lumière réfléchie par, ou transmise au travers de, la boite de Pétri présentant un grand nombre de canaux. Alors qu’une image RGB standard a trois canaux, une image dite HSI (pour « Hyper Spectral Imaging ») forme un cube de données qui peut présenter plusieurs centaines de canaux spectraux sur une gamme de longueur d’onde de 390 à 900 nm (soit une résolution spectrale de quelques nanomètres). Un algorithme de classification adéquat appliqué à l’image HSI permet alors directement de déterminer le type de Gram et le caractère fermentant ou non de la souche représentée. On peut alors choisir un milieu de culture ou un type d’agents antimicrobien adaptés au microorganisme afin de déterminer, in fine, sa sensibilité à l’antibiotique en fonction de sa pousse dans un échantillon du milieu de culture.
Le document Arrigoni, Turra et Signoroni, Hyperspectral image analysis for rapid and accurate discrimination of bacterial infections: A benchmark study, propose même directement de déterminer, à partir de 1‘image HSI, l’espèce du microorganisme. Comme expliqué, ces informations sont intéressantes, mais ne suffisent pas en soi à déterminer si le microorganisme est résistant à un antimicrobien, et il reste nécessaire de réaliser l’antibiogramme. En effet, pour une même espèce telle que S. aureus, on trouve des souches résistantes et d’autres non. On parle par exemple de MRSA pour « Methicillin-resistant Staphylococcus aureus » et MSSA pour « Methicillin-sensitive Staphylococcus aureus », i.e. des souches de S. aureus respectivement résistantes ou non à l’antibiotique méticilline.
Le document Park et al., Classification of Salmonella Serotypes with Hyperspectral Microscope Imagery, propose une solution permettant de classifier des microorganismes à une taxonomie inférieure à l’espèce, cependant au prix de manipulations et de matériels complexes. En effet, il est nécessaire d’isoler une colonie, puis d’acquérir une image HSI au microscope dite HMI spécifiquement de cette colonie. L’algorithme observe alors les cellules à l’échelle individuelle et une par une, cette observation individuelle étant utilisée pour la classification.
Il reste ainsi souhaitable de pouvoir disposer d’une solution rapide et efficace permettant de déterminer la susceptibilité, i.e. la résistance ou la sensibilité, d’un microorganisme à un agent antimicrobien. Une telle solution s’intégre par exemple dans un processus clinique consistant à prélever l’échantillon sur un patient susceptible d’être infecté par un microorganisme pathogène, à préparer l’échantillon en vue son analyse par la solution d’invention, à appliquer cette dernière, à réaliser un choix d’antimicrobien en fonction du résultat de susceptibilité délivré par la solution puis à appliquer l’ antimicrobien choisi au patient. De manière avantageuse, l’invention s’applique à l’analyse d’une image hyperspectrale d’une ou plusieurs colonies de bactéries, de moisissures ou de levures ayant poussées dans un milieu de culture et observables sans utilisation de marqueurs ou de coloration, sans observation des cellules à l’échelle individuelle ou sans utilisation de système optique à fort grossissement tel qu’un microscope, et sans procéder à la destruction des bactéries ou des colonies.
De manière avantageuse, l’invention s’applique dès qu’une colonie occupe quelques pixels dans l’image hyperspectrale acquise, notamment à partir de 10 pixels.
PRESENTATION DE L’INVENTION
Le but de la présente invention est de prédire la susceptibilité d’un microorganisme à un agent antimicrobien à l’aide d’une imagerie hyperspectrale d’une colonie microbienne ayant poussée sur un milieu de culture sans la présence dudit antimicrobien.
A cet effet l’invention a pour objet un procédé de prédiction de la susceptibilité d’une souche microbienne à un agent antimicrobien, le procédé étant caractérisé en ce qu’il comprend la mise en œuvre, par des moyens de traitement de données, d’étapes de :
(a) Obtention d’une image hyperspectrale entre 390nm et 900 nm représentant au moins une colonie de ladite souche dans un échantillon dépourvu d'agent antimicrobien ;
(b) Détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie, ci-après "spectre de test" ;
(c) Comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l’agent antimicrobien de la classe microbienne de référence;
(d) Détermination de la susceptibilité de la souche microbienne à l’agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.
En d’autres termes, les inventeurs ont découvert que l’imagerie hyperspectrale entre 390nm et 900nm contient suffisamment d’informations pour prédire que deux souches microbiennes sont clonales ou issues d’une même lignée et partagent ainsi la même susceptibilité à l’agent antimicrobien. En connaissant la susceptibilité d’une classe, en prédisant qu’un nouveau microorganisme appartient à ladite classe, le nouveau microorganisme se voit prédire la susceptibilité de ladite classe.
Par « classe microbienne », on entend ici tout objet numérique caractérisant l’identité microbienne à un niveau taxonomique inférieur à l’espèce, et notamment à un niveau souche, objet avec lequel on peut comparer le spectre hypespectral d’une colonie à l’aide d’une métrique appropriée afin de déterminer l’appartenance ou de ladite colonie à ladite classe. Les classes microbiennes peuvent être des classes apprises par des algorithmes d’apprentissage automatisé, supervisé ou non, ou des spectres hyperspectraux de référence par exemple.
Selon un mode de réalisation préféré, les étapes de comparaison et de détermination sont réalisées au moyen d'un prédicteur basé sur une classification supervisée ayant pour classes microbiennes de référence l'identité des souches microbiennes de la base de données, la phase d’entrainement de la classification comprenant:
(cl) l'acquisition pour chaque souche microbienne de la base de données, de spectres hyperspectraux de colonies différentes;
(c2) l'entrainement de la classification sur les spectres hyperspectraux de colonies différentes.
En d’autres termes, plutôt que de déterminer un spectre représentatif d’une souche microbienne que l’on comparerait avec le spectre d’une colonie en cours de test, ce mode de réalisation apprend les classes sur des spectres hypespectraux issue de colonies différentes de la souche microbienne ce qui permet de tenir compte de variation dans l’acquisition de spectres, tels que l’erreur de mesure, la variabilité de l’éclairage ou encore la variabilité du spectre de nature biologique (épaisseur variable des colonies modifiant le spectres, couleurs variables...).
De manière plus spécifique, le prédicteur est un réseau de neurones artificiels convolutif. De manière préférentielle, la base de données est mise à jour de manière fréquente pour tenir compte de nouvelles souches encore non répertoriée, de variabilité intra-souche des spectres hyperspectraux ou pour incorporer des données issues de préparation d’échantillons et d’éclairage différente. L’emploi d’un tel prédicteur permet une agilité de traitement car le prétraitment qu’il incorpore (e.g. extraction de caractéristiques par réduction de la taille des variables par la ou les couches convolutives) n’est pas figé a priori.
Selon des modes de réalisation de l’invention :
- l’étape (b) comprend la segmentation de ladite image hyperspectrale de sorte à détecter ladite colonie dans l’échantillon ; - l’étape (a) comprend l’acquisition de ladite image hyperspectrale par un dispositif d’observation connecté audit client.
- le procédé comprend une étape (aO) d’apprentissage, par des moyens de traitement de données d’un serveur, des paramètres dudit modèle de classification automatique à partir d’une base d’apprentissage d’images hyperspectrales ou de spectres de colonies déjà classifiés.
- la souche microbienne est une souche de Staphylococcus aureus et l’agent antimicrobien est la méticilline.
L’invention a également pour objet un système de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, comprenant au moins un client comprenant des moyens de traitement de données, lesdits moyens de traitement de données étant configurés pour implémenter :
- l’obtention d’une image hyperspectrale représentant au moins une colonie dudit microorganisme dans un échantillon ;
- la détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie ;
- la comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l’agent antimicrobien de la classe microbienne de référence;
- la détermination de la susceptibilité de la souche microbienne à l’agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.
Selon un mode de réalisation, le système comprend en outre un dispositif d’observation (10) pour l’acquisition de ladite images hyperspectrale.
L’invention a également pour objet un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé tel que décrit précédemment de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, lorsque ledit programme est exécuté sur un ordinateur.
L’invention a également pour objet un moyen de stockage lisible par un équipement informatique sur lequel un produit programme d’ordinateur comprend des instructions de code pour l’exécution d’un procédé tel que décrit précédemment de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien
PRESENTATION DES FIGURES
D’autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d’un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels : la figure 1 est un schéma d’une architecture pour la mise en œuvre du procédé selon l’invention ; la figure 2a représente un premier mode de réalisation de dispositif d’observation de microorganismes dans un échantillon utilisé dans un mode de réalisation du procédé selon l’invention ; la figure 2b représente un deuxième mode de réalisation de dispositif d’observation de microorganismes dans un échantillon utilisé dans un mode de réalisation préféré du procédé selon l’invention ; la figure 3a représente un exemple de spectre de colonie d’une classe de résistance à un agent antimicrobien ; la figure 3b représente un exemple de spectre de colonie d’une classe de sensibilité à un agent antimicrobien ; la figure 4 représente les étapes d’un mode de réalisation préféré du procédé selon l’invention ; la figure 5 représente un exemple d’architecture de réseau de neurones à convolution utilisé dans un mode de réalisation préféré du procédé selon l’invention ; la figure 6 représente une matrice de confusion d’un prédicteur à base de réseau neuronal convolutif selon l’invention.
DESCRIPTION DETAILLEE
Architecture
L’invention concerne un procédé de détermination de la susceptibilité d’un microorganisme d’une espèce donnée à un agent antimicrobien. Ledit microorganisme est typiquement une bactérie, une moisissure ou une levure (on prendra l’exemple dans la suite de la description de S. aureus, mais ce pourrait être E. coli, C. difficile, etc.), et ledit agent microbien un antibiotique (en particulier la méticilline était alors l'antibiotique de choix pour S. aureus, mais également la vancomycine par exemple) ou un antifongique concernant les levures et les moisissures. Comme l’on verra, ce procédé peut comprendre une composante d’apprentissage automatique, et notamment un modèle de classification choisi parmi une machine à vecteur de support, SVM, ou un réseau de neurones à convolution, CNN.
Le procédé est plus précisément un procédé de classification d’une image dite hyperspectrale du microorganisme, de sorte que les données d’entrée ou d’apprentissage sont de type image, et représentent au moins une colonie dudit microorganisme dans un échantillon 22 (en d’autres termes il s’agit d’images de l’échantillon dans lequel au moins une colonie - généralement une pluralité - est visible, c’est-à-dire détectable à l’œil nu par un technicien de laboratoire ou détectable dans l’image au moyen d’un algorithme de segmentation connu en soi. A titre d’exemple, une colonie est détectable dès qu’elle atteint une taille supérieure à 10 pixels dans l’image). L’échantillon 22 est adapté à la culture dudit microorganisme, typiquement une gélose coulée dans une boite de Pétri, même s’il peut s’agir de tout milieu de culture ou milieu réactif. On reviendra plus loin sur la notion d’image hyperspectrale, notée image HSI.
Les présents procédés sont mis en œuvre au sein d’une architecture telle que représentée par la figure 1, grâce à un serveur 1 et un client 2. Le serveur 1 est l’équipement d’apprentissage (mettant en œuvre le procédé d’apprentissage) et le client 2 est un équipement d’utilisation (mettant en œuvre le procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien), par exemple un terminal d’un médecin, d’un hôpital ou d’un laboratoire de microbiologie.
Il est tout à fait possible que les deux équipements 1 , 2 soient confondus, mais de façon préférée le serveur 1 est un équipement distant, et le client 2 un équipement grand public, notamment un ordinateur du bureau, un portable, etc. L’équipement client 2 est avantageusement connecté à un dispositif d’observation 10, de sorte à pouvoir directement acquérir ladite image d’entrée, typiquement pour la traiter en direct, alternativement on chargera l’image d’entrée sur l’équipement client 2.
Dans tous les cas, chaque équipement 1, 2 est typiquement un équipement informatique distant relié à un réseau local ou un réseau étendu tel que le réseau internet pour l’échange des données. Chacun comprend des moyens de traitement de données 3, 4 de type processeur, et des moyens de stockage de données 5, 6 telle qu’une mémoire informatique, notamment permanente, par exemple une mémoire flash ou un disque dur, mémorisant l’ensemble des instructions informatiques pour la mise en œuvre du procédé selon l’invention. Le client 2 comprend typiquement une interface utilisateur 7 telle qu’un écran pour interagir. Le serveur 1 stocke avantageusement une base de données pour l’espèce considérée, comprenant une liste de souches microbiennes appartenant à l’espèce, et pour chacune desdites souches :
- de spectres hyperspectraux d’apprentissage de colonies de la souche, i.e. un ensemble d’objets déjà classifiés
- des données concernant le caractère sensible ou résistant de la souche à l’agent microbien ;
- optionnellement des donnée concernant les conditions de test.
Acquisition
Même si comme expliqué le présent procédé peut directement prendre en entrée toute image hyperspectrale représentant au moins une colonie dudit microorganisme dans l’échantillon 22, en particulier une boite de Pétri dans laquelle est coulée une gélose constituant un milieu nutritif permettant la croissance de colonies microbiennes suite à l’étalage d’un prélèvement liquide contenant une ou plusieurs souches microbiennes, obtenue d’une manière quelconque, de manière préférée le présent procédé commence par une étape (a) d’obtention de l’image d’entrée à partir de données fournies par un dispositif d’observation 10.
De manière connue, l’homme du métier pourra utiliser des techniques d’imagerie hyperspectrale, en particulier telles que décrites dans la demande internationale WO2019/122732.
Par image hyperspectrale, on entend une image comprenant un grand nombre de canaux spectraux, en particulier au moins sept, avantageusement au moins vingt, et potentiellement plus de deux cents (on prendra l’exemple de 223 canaux), par contraste avec une image RGB classique à trois canaux. De manière générale, le dispositif 10 est « simple » par rapport à celui notamment du document Park et al., Classification of Salmonella Serotypes with Hyperspectral Microscope Imagery, en ce qu’il a juste besoin de pouvoir acquérir une image HSI de l’échantillon 22, et ne nécessite donc pas un microscope dont le fort grossissement rend difficile la mise au point.
On va à présent décrire deux modes de réalisation possible du dispositif 10, correspondant aux figures 2a et 2b.
En se référant à la figure 2a, le dispositif 10 est par exemple un système d’imagerie hyperspectrale de référence « Pika II » de la société Resonon, Montana USA. Il comporte avantageusement : une caméra dite hyperspectrale 18, constituée d’un capteur numérique comprenant un réseau de capteurs élémentaires, par exemple un capteur numérique de type CCD ou CMOS, sensible dans une gamme de longueurs d’onde par exemple [Amin ; Amax] = [390 nm; 900 nm] ; et d’un élément dispersif de lumière ou d’un spectrographe pour sélectionner une longueur d’onde à acquérir par le capteur; un objectif 20 pour focaliser sur le capteur numérique de la caméra 18, l’image optique de l’échantillon 22 dont on cherche à acquérir une image hyperspectrale. ; un éclairage avant 24, par exemple constitué d’une ou plusieurs lampes allogènes, e.g. 2 ou 4 lampes, apte à émettre de la lumière dans la gamme [Amin ; Amax] et pour réaliser un éclairage avant uniforme de l’échantillon 22. Par exemple, les éclairages sont des lampes à lumière blanche ; un éclairage arrière 26, par exemple constitué d’une matrice de LED à lumière blanche, pour réaliser un éclairage arrière uniforme de l’échantillon 22 dans la gamme un chariot 28 sur lequel repose l’échantillon 22 et permettant à ce dernier de défiler devant l’objectif 20 afin d’en obtenir une image entière par balayage.
Le dispositif 10 est par exemple configuré pour acquérir l’image d’une région de 90 millimètres par 90 millimètres avec un pas d’échantillonnage de 160 micromètres (résolution spatiale estimée à 300 micromètres) et avec une résolution spectrale de quelques nanomètres sur la gamme [Amin ; Amax], On peut dépasser 200 canaux sur une gamme d’environ 500 nm. En particulier, le champ de vision et la profondeur de champ de l’objectif 20 sont choisis pour l’obtention d’images pouvant comprendre des colonies complètes ayant un rayon pouvant atteindre 1 cm, de préférence pouvant atteindre 0,9 cm, et de manière encore plus préférentielle 0,5 cm.
Le dispositif 10 produit ainsi une image numérique HSI de la lumière réfléchie par l’échantillon 22, improprement appelée « hypercube » car en fait tridimensionnelle : deux dimensions spatiales et une dimension spectrale, chaque pixel (ou plutôt voxel du fait du caractère tridimensionnel de l’image HSI) représentant la radiance mesurée en un point de l’échantillon 22 pour un canal spectral.
La radiance d’un pixel, communément appelée « intensité lumineuse », correspond ici à la quantité de lumière incidente sur la surface du site sensible élémentaire correspondant du capteur de la caméra 18 pendant la durée d’exposition, comme cela est connu en soi du domaine de la photographie numérique par exemple. Le dispositif 10 peut comprendre des moyens de traitement de données embarqués configurés pour mettre en œuvre un traitement des images HSI produites par la caméra 18 et/ou tout déléguer à l’équipement client 2.
Ces moyens de traitement sont dans tous les cas pourvus de l’ensemble des mémoires (RAM, ROM, cache, mémoire de masse, etc.) pour la mémorisation des images produites par le dispositif 10, d’instructions informatiques pour la mise en œuvre du procédé selon l’invention, de paramètres utiles à cette mise en œuvre et pour la mémorisation des résultats des calculs intermédiaires et finaux. Le client 2 comporte optionnellement comme expliqué un écran d’affichage 7 pour la visualisation du résultat final du procédé. Bien qu’une seule unité de traitement soit décrite, l’invention s’applique évidemment à un traitement réalisé par plusieurs unités de traitement (e.g. une unité embarquée dans la caméra 18 pour mettre en œuvre un prétraitement de images HSI et l’unité 4 du client 2 pour la mise en œuvre du reste du traitement). Par ailleurs, l’interface 7 du client 2 peut permettre d’entrer des données relatives à l’échantillon 22, notamment le type de milieu de culture utilisé lorsque la prédiction dépend du milieu, par exemple au moyen d’un clavier/souris et d’un menu déroulant à disposition de l’opérateur, un lecteur de code barre/QR code lisant un code barre/QR code présent sur la boite de Pétri et comprenant des informations sur l’échantillon 22, etc.
En se référant à la figure 2b, selon le deuxième modèle réalisation, le dispositif 10 peut comprendre alternativement une caméra 34, avantageusement une caméra CMOS ou CCD de haute résolution spatiale, couplée à un ensemble de filtres spectraux 36, par exemple disposé devant l’objectif 20 entre l’objectif 20 et le capteur de la caméra 32. L’ensemble de filtres 36 est constitué d’un nombre NF de filtres passe-bandes distincts, chacun configuré pour transmettre uniquement la lumière dans une partie de la gamme [Xmin ; Xmax], avec une largeur spectrale à mi-hauteur du maximum (ou FWHM pour « full width half maximum ») inférieure ou égale à 50nm, et de préférence inférieure ou égale à 20nm. E’ensemble 36 est par exemple une roue à filtres pouvant accueillir typiquement jusqu’à vingt-quatre filtres différents, roue pilotée par l’unité de traitement de données qui l’actionne pour faire défiler devant la caméra lesdits filtres et commander une prise d’image pour chacun d’entre eux.
Procédé
Fa « classification » d’une image HSI d’entrée consiste en la détermination d’au moins une classe parmi un ensemble de classes possibles descriptives des images. Ee présent procédé propose d’utiliser un modèle de classification automatique pour déterminer l’appartenance du microorganisme à tester à l’une des souches déjà listées dans la base de données et non pas pour déterminer directement la susceptibilité du microorganisme à l’agent antimicrobien ou encore l’appartenance du microorganisme à des stéréotypes particuliers par exemple.
En particulier, au regard des figures 3a et 3b qui représentent chacune une pluralité d’exemples de spectres respectivement pour des colonies de S. aureus résistantes à la méticilline (MRSA) et sensibles à la méticilline (MSSA), on remarque que les deux spectres n’ont pas exactement le même aspect, d’où l’éventualité d’une classification discriminante directe du caractère sensible ou résistant d’une nouvelle colonie de S. aureus. Les inventeurs ont cependant constaté que les performances d’un tel prédicteur de susceptibilité ne sont pas suffisantes dans le domaine de la microbiologie clinique ou industrielle. Par exemple un prédicteur SVM à noyau gaussien voit ses sesperformances plafonner à 70% en BCR.
En référence à la figure 4, le procédé comprend, après l’étape (a) d’obtention de l’image hyperspectrale, une étape (b) de détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie.
Par spectre de la colonie, on entend une courbe représentant l’intensité lumineuse mesurée à l’échelle de la colonie en fonction de la fréquence. Mathématiquement, il s’agit d’un vecteur de taille le nombre de canaux de l’image HSI (i.e. 223 dans notre exemple).
De manière préférée, ce spectre est déterminé comme le spectre moyen sur les pixels de ladite image hyperspectrale correspondant à ladite colonie. En effet, on rappelle que l’image HSI comprend pour chaque pixel spatial une pluralité de valeurs d’intensité correspondantes.
A ce titre, l’étape (b) comprend avantageusement la segmentation de ladite image hyperspectrale de sorte à détecter ladite colonie dans l’échantillon 22, puis la détermination du spectre, comme expliqué typiquement en moyennant l’intensité canal par canal sur les pixels segmentés. Par exemple l’étape (b) comprend la détection automatique des colonies (e.g. par application d’un filtre sélectionnant les objets ronds dans l’image, par exemple une transformation de Hough) et/ou une étape manuelle de sélection de colonies par un technicien de laboratoire par exemple. Pour reformuler, on a un vecteur de taille n=223 par pixel de la colonie, et on fait la moyenne de ces vecteurs en un vecteur représentatif de la colonie. En pratique, une colonie s’étend en général sur une zone de l’image HSI de taille 11x11 au maximum, de sorte qu’il n’y a qu’une centaine de vecteurs à moyenner.
Dans le cas où l’image hyperspectrale représente une pluralité de colonies dudit microorganisme, on peut appliquer le procédé selon l’invention à chaque colonie ou à un ensemble de colonies choisies selon des critères de taille ou de position dans le milieu de culture par exemple.
En général, la segmentation permet de détecter toutes les colonies d’intérêt, en supprimant les artefacts tels que des filaments ou des poussières. La segmentation pourra être mise en œuvre de toute manière connue.
L’étape (b) comprend avantageusement un traitement du spectre, en particulier son lissage et/ou sa normalisation : le lissage, ou « smoothing » consiste à supprimer les pics qui sont probablement des artefacts, par exemple en faisant la moyenne mobile ; la normalisation vise à rendre les spectres comparables notamment par une technique dite de standard normal variable (SNV) consistant à soustraire au spectre sa moyenne et le diviser par son écart type.
A noter que si la base d’apprentissage stocke directement des spectres de référence, ils doivent préférentiellement avoir subi le cas échéant les mêmes lissage et/ou normalisation.
Classification
Dans une étape (c), ledit spectre de la colonie (le cas échéant lissé et/ou normalisé) est comme expliqué directement classifié au moyen d’un modèle de classification automatique parmi une classe microbienne consistant en l’identité des souches listées dans la base de données. Si une pluralité de spectres a été déterminée, on peut classifier chaque spectre, et agréger les résultats.
Le modèle de classification automatique peut être comme expliqué une machine à vecteur de support, SVM, ou un réseau de neurones à convolution (« CNN »). Dans le cas d’un SVM, on choisit par exemple un SVM à noyau RBE (Radial Basis Eunction).
Dans le cas d’un CNN, on choisit par exemple une architecture du type de celle représentée par la figure 5 qui est particulièrement adapté à la mise en œuvre du présent procédé. De manière classique, cette architecture comprend avantageusement une succession de blocs dit de convolution composés d’une ou plusieurs couches de convolution ID (car l’entrée n’est pas une image mais le spectre, i.e. un objet mono-dimensionnel), d’une couche d’activation (par exemple la fonction ReLU) pour augmenter la profondeur des cartes de caractéristiques, et une couche de mise en commun ID (pooling - ici MaxPooling) permettant de diminuer la taille de la carte de caractéristiques (généralement d’un facteur 2). Ce qui est remarquable est que deux blocs de convolution peuvent suffire, de sorte que très préférentiellement le présent CNN ne comprend que deux blocs de convolution.
Ainsi dans l’exemple de la figure 5, le CNN commence comme expliqué par 12 couches réparties en 3 blocs. Le premier prend en entrée le spectre (formant ainsi un objet de taille 223), et comprend un enchainement double convolution+activation montant la profondeur à 16 puis une couche de max pooling (on peut aussi utiliser du global average pooling), avec en sortie une carte de caractéristiques de taille 111x16 (on divise par deux la taille selon la dimension spectrale).
Le deuxième bloc a une architecture identique au premier bloc et génère en sortie d’un nouvel ensemble double convolution+activation une carte de caractéristiques de taille 111x32 (profondeur doublée) et en sortie de la couche de max pooling une carte de caractéristiques de taille 55x32 (à nouveau réduction de taille spectrale d’un facteur deux).
Le troisième bloc a une architecture identique aux deux premiers blocs et génère en sortie d’un nouvel ensemble double convolution+activation une carte de caractéristiques de taille 55x32 (profondeur inchangée) et en sortie de la couche de max pooling une carte de caractéristiques de taille 27x32 (à nouveau réduction de taille spectrale d’un facteur deux).
En sortie du dernier bloc de convolution (en l’espèce le troisième), le CNN comprend avantageusement une couche « d’aplatissement » transformant la carte de caractéristiques « finale » (contenant l’information la plus « profonde ») en sortie de ce bloc en un vecteur (objet de dimension 1). Ainsi on passe par exemple de la carte de caractéristiques de taille 27x32 à un vecteur de taille 27*32=864. On comprendra qu’on est limité à aucunes tailles de carte/fïltre à quelque niveau que ce soit, et que les tailles citées-ci avant ne sont que des exemples.
Enfin de manière classique on termine par une ou plusieurs couches entièrement connectées (FC, ou couches « dense » comme indiqué dans la figure 5) et éventuellement une couche d’activation finale, par exemple softmax. Dans l’exemple représenté, une première couche dense transforme le vecteur de taille 864 en un vecteur réduit de taille 256 (ce qui nécessite (864+l)*256=221440 paramètres, soit 90% de tous les paramètres du CNN), et une deuxième couche FC transforme le vecteur de taille 864 en un vecteur final de taille C, C étant le nombre total de classes souhaité, soit 2, 5 ou 11 dans les exemples mentionnés avant (ce qui nécessite (256+1 )*C paramètres). De manière préférée, le CNN est composé de (i.e. comprend exactement) une séquence de blocs de convolution, puis une couche d’aplatissement, et enfin une ou plusieurs couches entièrement connectées.
On voit donc qu’on a un nombre total de paramètres de l’ordre de 200000, ce qui est remarquablement faible pour un CNN (on a couramment plusieurs dizaines de millions de paramètres). Le présent CNN peut donc être utilisé par de nombreux clients 2, y compris ayant des ressources informatiques modérées.
On répète qu’on a une classification directe, ou « end-to-end », on entend sans pré-classification ni extraction séparée d’au moins une carte de caractéristiques de ladite colonie : on comprend que le CNN a naturellement des états internes sous la forme de cartes de caractéristiques, mais ces dernières ne sont jamais renvoyées à l’extérieur du CNN, celui-ci ayant pour seule sortie le résultat de la classification.
Apprentissage
De manière préférée, le procédé peut comprendre une étape (aO) d’apprentissage, par les moyens de traitement de données 3 du serveur 1, à partir d’une base d’apprentissage, des paramètres du modèle de classification automatique. Cette étape est en effet typiquement mise en œuvre très en amont, en particulier par le serveur 1 distant. Comme expliqué, la base d’apprentissage peut comprendre un certain nombre de données d’apprentissage, en particulier des images hyperspectrales de colonies ou bien directement des spectres, dans tous les cas associés à leur classe (i.e. l’identité des souches microbiennes).
L’apprentissage du modèle peut être réalisé de n’importe quelle façon connue de l’homme du métier adaptée au modèle choisi.
Dans tous les modes de réalisation, les paramètres du modèle appris peuvent être stockés le cas échéant sur des moyens de stockage de données 21 du client 2 pour utilisation en classification. A noter que le même modèle peut être embarqué sur de nombreux clients 2, un seul apprentissage est nécessaire.
De manière privilégiée, la base de données d’apprentissage pour l’espèce microbienne considérée est constituée comme suit. Pour chaque souche de ladite espèce, il est procédé à :
- la réalisation de plusieurs échantillons, e.g. plusieurs boites de Petri dans lesquelles a été coulée une gélose nutritive ne comprenant ni l’agent antimicrobien ni d’agent de marquage ou de coloration, gélose sur laquelle ont poussée des colonies de ladite souche, de préférence au moins 3 échantillons ;
- l’acquisition et la mémorisation de spectres hyperspectraux d’au moins une colonie de chaque échantillon à l’aide d’un dispositif tel que décrit à la figure 2, de préférence de plusieurs colonies par boite de Pétri et disposées à différentes distances du centre des boites de Pétri, et le traitement desdits spectres tels que décrit précédemment. Les spectres des deux premiers échantillons sont utilisés pour l’apprentissage des classes microbiennes de souches, les spectres des autres échantillons (e.g. du troisième échantillon dans le cas d’une production de tréplicats) étant utilisés pour tester les performances de l’apprentissage. Optionnellement, l’acquisition est réalisée également sur plusieurs échantillons à l’aide de différents dispositifs de capture afin de capter la variabilité des spectres provoquées par des différences dans les caractéristiques des dispositifs (e.g. la variabilité des sources de lumières entre dispositifs. ..) ;
- la mesure phénotypique de la susceptibilité de la souche à l’agent antimicrobien, par exemple au moyen d’un Vitek®2 commercialisé par la Demanderesse ou l’emploi d’e- test ou de disque de diffusion comme cela est bien connu en soi de l’état de la technique, et sa mémorisation ;
- la caractérisation génomique de la souche, par exemple à l’aide d’un séquençage complet de son génome et l’établissement d’un profil wgMLST tel que décrit dans le document « MLST revisited: the gene-by-gene approach to bacterial genomics» de Martin C.J. Maiden, Nature Reviews Microbiology, 2013, et la mémorisation de cette caractérisation.
Mise à jour de la base de données et du prédicteur
Lorsqu’une souche n’est pas répertoriée dans la base de données, tel que par exemple déterminé par le prédicteur selon l’invention qui renvoie une classification incertaine dans les classes microbiennes de souche pré-apprises, il est avantageusement procédé à une caractérisation de ladite souche tel que décrit précédemment. Le profil génomique de la souche est avantageusement comparé aux profils génomiques mémorisés pour déterminer si elle est effectivement une souche différente de celles mémorisées dans la base. Dans un tel cas, les données collectées pour la souche sont mémorisées dans la base de données et un nouvel apprentissage est réalisé comme décrit précédemment pour incorporer une nouvelle classe microbienne correspondant à la souche non répertoriée.
Produit programme d’ordinateur
Selon un deuxième et un troisième aspects, l’invention concerne un produit programme d’ordinateur comprenant des instructions de code pour l’exécution (en particulier sur les moyens de traitement de données 3, 5 du serveur 1 et/ou du client 2) d’un procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, ainsi que des moyens de stockage lisibles par un équipement informatique (une mémoire 4, 6 du serveur 1 et/ou du client 2) sur lequel on trouve ce produit programme d’ordinateur.
Applications privilégiées de l’invention
L’invention est avantageusement incorporée dans :
- dans un procédé de suivi épidémiologique des souches d’intérêt dans un environnement clinique ou industriel (e.g. un service hospitalier, un hôpital dans son ensemble, un groupement d’hôpitaux, une usine agroalimentaire, une installation de distribution d’eau potable. ..) définissant une zone géographique donnée, la base de données étant constituée des souches prélevées dans ladite zone. L’invention délivre ainsi deux informations importantes dans la lutte des maladies nosocomiales ou des contaminations microbiennes non conforme à des normes alimentaires, environnementales ou de fabrication: l’identité ou non d’une souche nouvellement prélevée avec une souche déjà vue dans la zone géographique de prélèvement et sa susceptibilité à l’agent antimicrobien. Ces données associées aux zones de prélèvement (ex : chambre d’hôpital, zone de production) permettant, par exemple de mener une investigations sur le mode de dissémination de ces germes au sein de l’hôpital ou au sein de l’usine de production. A noter que dans le cadre d’un suivi épidémiologique hospitalier, l’ensemble des cultures peuvent être mises à profit pour alimenter la base de connaissance, celles mise en œuvre dans le cadre d’un processus de diagnostic microbiologique qu’il intègre ou non un test de susceptibilité ainsi que celles mise en œuvre dans un processus de screening en entrée d’hôpital sur milieux gammes de prévention. On acquiert ainsi via cette invention la possibilité de réaliser un suivi épidémiologique des différents clones de résistance présents dans l’hôpital ;
- dans un procédé d’antibiothérapie d’un patient suspecté d’être infecté par un agent pathogène. Comme cela est connu en soi, lorsqu’un patient est soupçonné d’être victime d’une infection, un cocktail d’antibiotique à large spectre lui est généralement administré avant de connaître l’identité et l’antibiogramme de la souche qui l’infecte, l’antibiothérapie étant par lui suite éventuellement modifiée une fois l’antibiogramme de la souche réalisé. La caractérisation d’une souche microbienne passe usuellement par plusieurs étapes successives de pousse de colonies sur boite de Pétri. Grâce à l’invention, dès la première pousse, une prédiction de l’identité de la souche et de sa susceptibilité à un ou plusieurs antimicrobiens est disponible de sorte que le clinicien peut adapter sa thérapie sans attendre le résultat d’un antibiogramme. Exemple
L’invention a été appliquée à la prédiction de la susceptibilité de 50 souches de Staphylocus aureus à la méticilline de manière à définir un prédicteur à base de CNN identifiant les souches MRS A et MS SA. Le tableau ci-dessous détaille pour chacune des souches, listées dans la base de données d’apprentissage, le nombre de colonies pour lesquelles des spectres hyperspectraux ont été acquis et la susceptibilité à la méticilline.
La figure 6 illustre la matrice de confusion d’un prédicteur de souches microbiennes de souches selon le réseau de neurones de la figure 5. La précision globale de ce dernier (« global accuracy ») est de 88% et la précision moyenne par classe (« balanced accuracy ») et de 87%.

Claims

REVENDICATIONS Procédé de prédiction de la susceptibilité d’une souche microbienne à un agent antimicrobien, le procédé étant caractérisé en ce qu’il comprend la mise en œuvre, par des moyens de traitement de données (4) d’un client (2), d’étapes de :
(a) Obtention d’une image hyperspectrale entre 390nm et 900 nm représentant au moins une colonie de ladite souche dans un échantillon dépourvu d'agent antimicrobien (22);
(b) Détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie, ci-après "spectre de test" ;
(c) Comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l’agent antimicrobien de la classe microbienne de référence;
(d) Détermination de la susceptibilité de la souche microbienne à l’agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test. Procédé selon la revendication 1, selon lequel les étapes de comparaison et de détermination sont réalisées au moyen d’un prédicteur basé sur une classification supervisée ayant pour classes microbiennes de référence l'identité des souches microbiennes de la base de données, la phase d’entrainement de la classification comprenant:
(cl) l'acquisition pour chaque souche microbienne de la base de données, de spectres hyperspectraux de colonies différentes;
(c2) l'entrainement de la classification sur les spectres hyperspectraux de colonies différentes. Procédé selon la revendication 2 selon lequel, le prédicteur est un réseau de neurones artificiels convolutif. Procédé selon l’une des revendications précédentes, dans lequel l’étape (b) comprend la segmentation de ladite image hyperspectrale de sorte à détecter ladite colonie dans l’échantillon (22).
5. Procédé selon l’une des revendications précédentes, dans lequel l’étape (b) comprend le lissage et/ou la normalisation dudit spectre de la colonie.
6. Procédé selon l’une des revendications précédentes, dans lequel l’étape (a) comprend l’acquisition de ladite image hyperspectrale par un dispositif d’observation (10) connecté audit client (2).
7. Procédé selon l’une des revendications précédentes, comprenant une étape (aO) d’apprentissage, par des moyens de traitement de données (3) d’un serveur (1), des paramètres dudit modèle de classification automatique à partir d’une base d’apprentissage d’images hyperspectrales ou de spectres de colonies déjà classifiés.
8. Procédé selon l’une des revendications précédentes, dans lequel la souche microbienne est une souche de Staphylococcus aureus et l’agent antimicrobien est la méticilline.
9. Système de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, comprenant au moins un client (2) comprenant des moyens de traitement de données (4), caractérisé en ce que lesdits moyens de traitement de données (4) sont configurés pour implémenter : l’obtention d’une image hyperspectrale représentant au moins une colonie dudit microorganisme dans un échantillon (22) ; la détermination d’un spectre de la colonie à partir des pixels de ladite image hyperspectrale correspondant à ladite colonie ; la comparaison dudit spectre de test avec des classes microbiennes d'une base de données prédéterminées, ci-après "classe microbienne de référence", lesdites classes correspondant à un niveau taxonomique inférieur à l’espèce et étant apprises sur au moins un spectre hyperspectral d’une souche microbienne, la base de données comprenant, pour chaque classe microbienne de référence, la susceptibilité à l’agent antimicrobien de la classe microbienne de référence; la détermination de la susceptibilité de la souche microbienne à l’agent microbien comme étant celle associée à la classe microbienne de référence la plus proche du spectre hyperspectral de test.
10. Système selon la revendication 9, comprenant en outre un dispositif d’observation (10) pour l’acquisition de ladite images hyperspectrale. Produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé selon l’une des revendications 1 à 8 de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien, lorsque ledit programme est exécuté sur un ordinateur. Moyen de stockage lisible par un équipement informatique sur lequel est enregistré un produit programme d’ordinateur comprenant des instructions de code pour l’exécution d’un procédé selon l’une des revendications 1 à 8 de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien.
EP22826157.4A 2021-11-24 2022-11-24 Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien Pending EP4437493A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2112454A FR3129406A1 (fr) 2021-11-24 2021-11-24 Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien
PCT/FR2022/052171 WO2023094775A1 (fr) 2021-11-24 2022-11-24 Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien

Publications (1)

Publication Number Publication Date
EP4437493A1 true EP4437493A1 (fr) 2024-10-02

Family

ID=81327848

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22826157.4A Pending EP4437493A1 (fr) 2021-11-24 2022-11-24 Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien

Country Status (6)

Country Link
US (1) US20240412369A1 (fr)
EP (1) EP4437493A1 (fr)
JP (1) JP2024541494A (fr)
CN (1) CN118339308A (fr)
FR (1) FR3129406A1 (fr)
WO (1) WO2023094775A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3162758A1 (fr) 2024-05-29 2025-12-05 bioMérieux Procédé de détermination de la susceptibilité d’un microorganisme à un agent antimicrobien à partir d’une image spectrale

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102535489B1 (ko) * 2014-06-13 2023-05-22 큐-리네아 에이비 미생물 검출 방법 및 특성 규명 방법
WO2016011534A1 (fr) * 2014-07-24 2016-01-28 University Health Network Collecte et analyse de données à des fins de diagnostic
EP3257947B1 (fr) * 2016-06-16 2018-12-19 Biomérieux Procede et systeme d'identification du type de gram d'une bacterie
FR3075825B1 (fr) 2017-12-21 2022-01-21 Biomerieux Sa Procede et systeme d'identificationdu type de gram d'une bacterie
FR3075824B1 (fr) * 2017-12-21 2022-01-14 Biomerieux Sa Procede d'identification d'une levure ou d'une bacterie

Also Published As

Publication number Publication date
CN118339308A (zh) 2024-07-12
US20240412369A1 (en) 2024-12-12
JP2024541494A (ja) 2024-11-08
FR3129406A1 (fr) 2023-05-26
WO2023094775A1 (fr) 2023-06-01

Similar Documents

Publication Publication Date Title
EP3728624B1 (fr) Procede d'identification d'une levure ou d'une bacterie
EP3257947B1 (fr) Procede et systeme d'identification du type de gram d'une bacterie
EP3728623A1 (fr) Procede et systeme d'identification du type de gram d'une bacterie
EP2577268B1 (fr) Procédé et système pour la détection d'objets biologiques
US12051254B2 (en) Typing biological cells
FR2807543A1 (fr) Appareil d'imagerie associe a une base de donnees images
FR3079617A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantillon cytologique
EP4232946B1 (fr) Procédé de classification d'une séquence d'images d'entrée représentant une particule dans un échantillon au cours du temps
WO2023094775A1 (fr) Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien
Guillemot et al. Hyperspectral imaging for presumptive identification of bacterial colonies on solid chromogenic culture media
EP3797169B1 (fr) Procédé de contrôle de sensibilité à des agents chimiques
EP2791864B1 (fr) Procede d'analyse d'un echantillon biologique, et dispositif mettant en oeuvre ce procede
WO2025008345A1 (fr) Procede et systeme d'identification de microorganismes sous forme de colonie
EP4233014A1 (fr) Procédé de classification d'une image d'entrée représentant une particule dans un échantillon
WO2025247891A1 (fr) Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien à partir d'une image spectrale
CN121994787A (zh) 基于高光谱技术的波罗的海希瓦氏菌生物被膜在线监测方法
FR3050046B1 (fr) Procede et dispositif electronique d'aide a la determination, dans une image d'un echantillon, d'au moins un element d'interet parmi des elements biologiques, programme d'ordinateur associe

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240620

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)