WO2025008345A1 - Procede et systeme d'identification de microorganismes sous forme de colonie - Google Patents

Procede et systeme d'identification de microorganismes sous forme de colonie Download PDF

Info

Publication number
WO2025008345A1
WO2025008345A1 PCT/EP2024/068596 EP2024068596W WO2025008345A1 WO 2025008345 A1 WO2025008345 A1 WO 2025008345A1 EP 2024068596 W EP2024068596 W EP 2024068596W WO 2025008345 A1 WO2025008345 A1 WO 2025008345A1
Authority
WO
WIPO (PCT)
Prior art keywords
colony
species
channels
microbial
filters
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.)
Ceased
Application number
PCT/EP2024/068596
Other languages
English (en)
Inventor
Denis Leroux
Frédéric LE MAUFF
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
Priority to CN202480045141.7A priority Critical patent/CN121443926A/zh
Publication of WO2025008345A1 publication Critical patent/WO2025008345A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/0262—Constructional arrangements for removing stray light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/10—Arrangements of light sources specially adapted for spectrometry or colorimetry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/30—Measuring the intensity of spectral lines directly on the spectrum itself
    • G01J3/32—Investigating bands of a spectrum in sequence by a single detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/12—Generating the spectrum; Monochromators
    • G01J2003/1213—Filters in general, e.g. dichroic, band
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N2021/3129—Determining multicomponents by multiwavelength light
    • G01N2021/3137—Determining multicomponents by multiwavelength light with selection of wavelengths after the sample
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/317—Special constructive features
    • G01N2021/3174—Filter wheel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3181—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using LEDs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/02—Mechanical
    • G01N2201/022—Casings
    • G01N2201/0221—Portable; cableless; compact; hand-held

Definitions

  • the invention relates to the field of microbiological analysis, and in particular to the identification of bacteria, yeasts and molds having grown in the form of a colony on a nutrient medium, for example poured into a Petri dish, and preferably a non-chromogenic, non-fluorogenic and dye-free nutrient medium.
  • the invention can be implemented using a portable device such as a smartphone or tablet.
  • the Applicant achieves an accuracy of identification of the species forming a colony by analysis by means of automated learning of the image of this colony of about ten pixels taken by a hyperspectral camera with 240 spectral channels in the range [390-900] nm greater than 95%, very often greater than 98%.
  • hyperspectral technology is now mature and inexpensive, with a camera of this type costing around ten thousand euros, it remains inaccessible in many situations, particularly in developing countries. In addition to the cost, which remains too high, hyperspectral technology is also too immobile.
  • the cameras, which are bulky, remain permanently in laboratories, while microbiologists travel to reach patients located in remote areas of the country.
  • identification there is a need for identification that can be carried out by means of even less expensive, mobile, space-saving devices that perform all of the identification work on their own. identification, from image capture to analysis rendering, and this with performances equal to or very close to those obtained by the use of hyperspectral imaging having hundreds of spectral channels.
  • the aim of the present invention is to propose an efficient method for identifying microorganisms in the form of colonies by analyzing a limited number of channels in the visible and near infrared.
  • the invention relates to a method for identifying a microbial strain in the form of a colony, comprising:
  • the three channels of said set which contribute most to the performance of the prediction are chosen from:
  • the invention also relates to a method for identifying a microorganism likely to be contained in a biological sample of a predefined type, comprising:
  • the panel of microbial species, the optical filters and the identification algorithm are chosen so that the specificity of the identification is greater than or equal to 90%, and preferably greater than or equal to 94%;
  • the invention also relates to a device for identifying a microbial colony from a predetermined panel of microbial species responsible for pathogenic infections of a predetermined type, in particular urinary infections, comprising:
  • the digital camera comprises:
  • A.1. a monochromatic image sensor capable of capturing incident light in the wavelength range [390-900] nm;
  • A.2. a lens capable of forming an image on said sensor in said range
  • A.3. a set of up to ten optical bandpass filters respectively centered on different wavelengths of the wavelength range [390-900] nm, each having a bandwidth in the range [8-50] nm, each of said filters being configured to be removably placed in front of the objective so as to acquire a multispectral digital image of the microbial colony; and the three channels of said set that contribute most to the prediction performance are chosen from:
  • the invention also relates to a device for identifying a microbial colony from a predetermined panel of microbial species responsible for pathogenic infections of a predetermined type, in particular urinary infections, comprising:
  • the digital camera comprises:
  • A.1. a monochromatic image sensor capable of capturing incident light in the wavelength range [390-900] nm;
  • A.2. a lens capable of forming an image on said sensor in said range
  • A.3. a set of at most ten optical bandpass filters respectively centered on different wavelengths of the wavelength range [390-900] nm, each having a bandwidth in the range [8-50] nm, each of said filters being configured to be removably placed in front of the objective so as to acquire a multispectral digital image of the microbial colony; and the computer processing unit is configured to implement an algorithm for identifying the species forming the colony based on the digital images, and the panel of microbial species corresponds to a prevalence of at least 70% of pathological infections, and preferably greater than or equal to 80%, and the panel of microbial species, the optical filters and the identification algorithm are chosen so that the specificity of the identification is greater than or equal to 90%, and preferably greater than or equal to 94%.
  • the invention also relates to a device for characterizing a microbial colony, comprising:
  • the digital camera comprises:
  • A.l. a monochromatic image sensor capable of capturing incident light in the wavelength range [390-900] nm;
  • A.2. a lens capable of forming an image on said sensor in said range
  • A.3.2.second filters centered respectively on different wavelengths of the wavelength range [390-900] nm and the computer processing unit is configured to identify:
  • FIG. 1 is a schematic of a system for multispectral acquisition and identification of colony-forming microbial species according to the invention
  • - figure 2 is an exploded view of this same system;
  • - figure 3 is a simplified top view of a filter wheel forming part of this system;
  • FIG. 4 is a schematic view of the frequency response of a band-pass filter forming part of the filter wheel
  • FIG. 7 illustrates a decision tree for the classification of 8 uropathogens based on reflectance at different spectral channels
  • FIG. 8 illustrates another decision tree for the classification of 8 uropathogens based on reflectance at different spectral channels
  • FIG. 9 is a flowchart for processing urine samples based on the invention.
  • a system 10 for identifying microorganisms having grown in the form of a colony comprises:
  • an image acquisition device 12 comprising a matrix image sensor 14, a lens 15, and a processing circuit receiving the signals from the sensor 14 and configuring them for transmission, for example via a USB-C or Bluetooth connection, to a processing unit.
  • the sensor 14 is for example a 5 million pixel black and white CMOS sensor marketed by the company E-Con Systems, India under the reference See3CAM_CU55M, controllable from a smartphone application connected by USB-C;
  • a filter wheel 16 comprising a set of bandpass filters 18, of a number less than 10.
  • the wheel is configured relative to the device 12 to be rotated by the user so as to sequentially present each of the filters 18 in front of the objective 15.
  • the width of a filter defined as the width at half maximum of the frequency response, is between 8 nm and 50 nm.
  • the filters are dichroic bandpass filters with a width of 10 nm;
  • a lighting device 20 advantageously in the form of a dome under which a Petri dish 22 containing the microbial colonies to be identified; an image processing unit 26, preferably in the form of a smartphone or a tablet, connectable to the image acquisition device 12, for example by means of the USB-C cable
  • the image sensor 14 of the device 12, of CMOS or CCD technology is a "bare" sensor in that it is not coated with an infrared filter or a Bayer matrix as is the case with sensors equipping smartphones and tablets intended for the general public. In the absence of the filters 18, this monochrome sensor is therefore configured to integrate the incident light flux on its photosites over the entire range [390-900]nm.
  • the optical assembly comprising the sensor, the objective(s) with their aperture(s), as well as the distance from the image plane of the sensor to the Petri dish 22, is configured so as to obtain a sharp image of at least 5 pixels, and preferably at least 10 pixels, of a microbial colony having a diameter of between 3 and 5 mm, regardless of the filter 18 present in front of the objectives.
  • the lighting device 20 comprises in its internal lower part a ring of LEDs 24 selected to emit lighting in the visible and near infrared, in particular in the entire range [390-900]nm, for example white LEDs marketed by the company Yujiled, China.
  • the device 20 is designed to be a light shaper and comprises for this purpose on its internal wall 26 a white or silver reflective surface, for example a 17% gray, so as to obtain uniform lighting avoiding specularity phenomena on the colonies having grown on the Petri dish 22.
  • This device also comprises, in the field of vision of the optical assembly, a white surface in order to carry out a correction of the color temperature, or correction of the white point.
  • the acquisition device 12 is provided in addition to a processing unit 12 in the form of a smartphone or a consumer tablet.
  • a processing unit 12 in the form of a smartphone or a consumer tablet.
  • the latter are often the only recent IT resource available to healthcare personnel and have multiple uses, both professional and personal. They are therefore more subject to breakages, breakdowns, or frequent changes.
  • the invention covers a smartphone or a tablet whose sensor and optical system have been specifically designed and produced to implement the invention, the device 12 then being omitted and the lens of the smartphone directly positioned in front of the filter wheel 16.
  • the lighting device 20 although optional, is provided to greatly facilitate the use of the invention. Indeed, it makes it possible to obtain adequate lighting inside the dome, and therefore on the surface of the Petri dish, regardless of the ambient lighting. This device thus avoids the user having to worry about this aspect, and therefore to obtain a microbial diagnosis regardless of the lighting conditions or the user's skills in terms of photographic settings. In addition, it makes it possible to position the device 12 always at the same distance from the Petri dish, thus avoiding the user having to also worry about adjusting the focus on the Petri dish.
  • the filter wheel 16 is an integral part of the upper part of the illuminating dome 20 so as to protect this element as much as possible, which is the most fragile and most expensive. If the dome is presented here as rigid, it can be designed to be foldable to increase its transportability, for example of the type of transportable light boxes known in the field of advertising or culinary photography.
  • the processing of the acquired images is advantageously implemented in the form of an application downloaded onto the smartphone 26. While the configuration of this processing may require significant computing resources, particularly in the case of an embodiment based on automated learning (or “machine learning"), the use of the processing is however not very demanding in computing resources so that the computing power of entry-level smartphones on the filing date of the present application is largely sufficient. It will thus be noted that the system according to the invention, in addition to its ease of use, has a very moderate cost and can therefore be adopted on a large scale, particularly in developing countries.
  • the processing of the images will be detailed below.
  • the inventors jointly pursued three objectives: i. minimize the number of band-pass filters which currently constitute the most expensive part of the system; ii. obtain the lowest possible classification error, at most equal to 6%, this threshold representing the value beyond which microbiologists and clinicians consider the diagnosis as scientifically too unreliable to be used routinely; iii. and design an identification algorithm that is understandable by users, unlike, for example, algorithms based on deep learning which are "black boxes" that can form a barrier to adoption or which can be subject to overfitting.
  • the inventors have however successfully tested other prediction algorithms, such as, for example, automated learning based on SVM ("Support Vector Machine") with linear and radial kernel, or PLS-DA.
  • the inventors relied on hyperspectral imaging. It is known that the 390-900nm wavelength range contains the information necessary for identifying colony-forming species with an accuracy close to 100%. The inventors therefore worked to discover specific spectral channels in this range that are the most informative for identification, while ensuring that statistical correlation phenomena between channels that can occur in this type of study are eliminated.
  • a database of hyperspectral spectra of colonies of the species is first acquired.
  • several strains were collected for each species, then each strain was spread on three Petri dishes, cultured at 37°C for 24 hours, then hyperspectral images of the dishes are acquired.
  • a total of 1745 colonies grown on a COS medium were analyzed, each consisting of ten to a hundred pixels.
  • the spectra from two dishes are used to learn an algorithm described below and the spectra from the third dish are used to test the learned algorithm.
  • the acquisition of images of Petri dishes in the range [390-900]nm, and therefore of the colonies is carried out using a 240-channel CMOS hyperspectral camera with a spectral resolution of 2.1 nm.
  • This acquisition system is for example that described in patent application WO 2019/122732.
  • the preprocessing of the spectra acquired for each pixel of the bacterial colonies is then implemented so as to obtain reflectance spectra corrected for the white and black points, for example the preprocessing described in this document.
  • the preprocessed reflectance spectra of a colony are then averaged over the pixels of this colony to obtain a single average spectrum per colony.
  • the average reflectance spectrum obtained, with an initial resolution of 2.1 nm is downsampled in the wavelength domain to obtain a final spectral resolution compatible with commercial bandpass filters whose width is generally between 8 nm and 50 nm.
  • a sliding window averaging the spectrum intensities over the window width is applied.
  • a window of width equal to 4 channels is applied, leading to a resolution of 4*2.1 nm.
  • the final reflectance spectrum is then stored in the database.
  • the inventors have thus discovered that only 4 channels, with a width between 8nm and 50nm and distributed in the bands [580-660]nm and [730-780]nm, make it possible to obtain a classification error rate of less than 6%.
  • the channels comprising the wavelength close to 750 nm (here 747nm), 620nm (here 619nm) and 600nm (here 595nm) make it possible to obtain the targeted performances.
  • the inventors have discovered that the three channels having the highest predictive values for the identification (in particular in terms of misclassification rate or in terms of specificity) of colony-forming species are included in the bands [580-660]nm and [730-780]nm.
  • the predictive value of a channel is for example determined by the feed-forward approach as described above. It is for example also determined by the use of the PPS score (for "Power Predictive Score", described for example in the document "RIP correlation. Introducing the Predictive Power Score", Florian Wetschoreckde, Toward Data Science, 2020).
  • a prediction error less than or equal to 6% at least using classification algorithms successfully used with all channels, for example SVMs with different kernels (linear and radial), PLS-DA or logistic regression algorithms (eg LASSO type).
  • classification algorithms successfully used with all channels for example SVMs with different kernels (linear and radial), PLS-DA or logistic regression algorithms (eg LASSO type).
  • a fourth channel contributing most to the prediction performance is chosen in the spectral band [580-660]nm or [490-540]nm.
  • the prediction of species for example implemented, without being limited thereto, by the device described in relation to FIG. 1, comprises the acquisition of images in different spectral channels, of a width for example between 8 and 50 nm, these channels being included only in the bands [580-660] nm and [730-780] nm.
  • the channels are included only in the bands [580-660] nm, [730-780] nm and [490-540] nm.
  • a decision tree based solely on the four wavelengths mentioned above makes it possible to predict the identity of the bacterial species forming a colony.
  • a channel comprising the 750nm wavelength makes it possible to directly identify classes 1, 4 and 5 whose botploxes are distinct from each other, which makes it possible to define intensity ranges separating them.
  • the remaining classes (2, 3, 6, 7 and 8) are then separated according to a channel comprising the wavelength 620 nm, making it possible to identify class 8, and a first group comprising classes 2 and 3, and a second group comprising classes 6 and 7.
  • a channel comprising the wavelength 595 nm makes it possible to separate classes 2 and 3 on the one hand and classes 6 and 7 on the other hand.
  • the "feed forward" approach which uses machine learning tools to identify channels with a high prediction weight, therefore also makes it possible to identify the channels for which the light intensities of the colony-forming species are separable by simple thresholding. It should be noted that in this embodiment based on a decision tree, no machine learning technique is used to identify the species, which in particular makes it possible to overcome learning biases and to minimize the risk of overfitting.
  • the invention also covers automated learning models, in particular Support Vector machine type models, for example with a linear kernel.
  • the study conducted by the inventors based on a hyperspectral camera therefore confirms the possibility of implementing a multispectral approach (i.e. based on a limited number of channels) based on simple prediction algorithms of understanding (i.e. a decision tree) for the identification of bacterial species on Petri dishes with acceptable performances in terms of in vitro diagnosis. More particularly, it is demonstrated that the use of a multispectral technology whose signal acquisition performances in the selected channels having the same quality as the hyperspectral technology leads to an appropriate identification.
  • the transition from a laboratory prototype based on a technology specifically designed for a target (a hyperspectral technology designed for acquisition in the visible and near infrared and used in a controlled environment) to a commercial device based on another technology (here a monochromatic camera based on CMOS or CDD whose response beyond 700nm is noisy, associated with commercial optical filters and used in a less controlled environment) induces a degradation of the expected performances.
  • a hyperspectral technology designed for acquisition in the visible and near infrared and used in a controlled environment
  • the inventors have therefore parameterized the multispectral device according to the invention by seeking a synergy between technical characteristics and clinical microbiological IVD workflow characteristics: i. Multispectral technical characteristics a. restriction of the wavelength range, in particular by reducing the value of the largest channel to move it away from the near-infrared wavelength range where the sensor has a degraded response b. addition of one or more additional channels, and therefore of optical bandpass filters, beyond the 4 channels determined via hyperspectral technology. At most ten filters are used.
  • the system as a whole which preferentially encases the filters in the dome 20 for their protection, becomes too bulky and/or too expensive; c. optionally, the choice of bandpass filters to set a different channel width, notably more restricted if this allows to increase the performances.
  • Clinical IVD workflow characteristics d. choosing a more restricted panel of species to be identified if this helps to improve the specificity of the prediction (i.e. the ability to correctly predict the correct species among samples actually comprising at least one of the species in the panel), the restriction being however carried out to minimally degrade the prevalence of this panel in infections, here urinary. e. adjusting the prediction algorithm so as to favor specificity over the rejection rate (i.e. percentage of samples for which no identification result is returned).
  • classification-based algorithms include two stages: a first stage returning one or more scores quantifying one or more distances of the sample being tested to the different classes of the algorithm and a second stage that determines a class identity based on the calculated distances by comparing them to a predefined threshold.
  • the threshold selection allows to set a compromise between sensitivity or specificity for example. If a decision tree is used, the value of the intensity ranges to separate the different classes and class groups also leads to a compromise between specificity and rejection rate. Here again, specificity is favored.
  • characteristic d this involves, for example, parameterizing characteristics a, b and e according to different panels chosen from a pre-established list of species, in particular the eight species described above.
  • the inventors have designed a first embodiment of the device of Figure 1: i. based on 6 optical filters with a width of 10 nm, comprising respectively the wavelengths 650 nm 730 nm, 670 nm, 630 nm, 471 nm and 580 nm; ii. for the panel of species Enterococcus faecalis (1), Escherichia coli (2), Klebsiella pneumoniae (3), Proteus mirabilis (4) and Streptococcus agalactiae (5) which account for more than 80% of urinary tract infections iii. with a specificity equal to 96% to the detriment of a sensitivity equal to 79%.
  • the inventors designed a second embodiment of the device of Figure 1: i. based on 5 optical filters with a width of 10 nm, comprising respectively the wavelengths 640 nm, 660 nm, 580 nm, and 750 nm, ii. for the panel of species Enterococcus faecalis (1), Escherichia coli (2), Klebsiella pneumoniae (3), Proteus mirabilis (4), Pseudomonas aeruginosa (5), Staphylococcus aureus (6), and Streptococcus agalactiae (7) which account for more than 80% of urinary tract infections iii. again with a specificity equal to greater than 94%, to the detriment of a sensitivity close to 80%.
  • Figure 8 illustrates a decision tree designed by the inventors for the 7-species embodiment, again with an eye to adoption, the classes being directly separable by thresholding between different channels by a particular choice of the sequence of channels to be analyzed.
  • the doctor can have confidence in the system when the latter returns an identification result, the specificity being in accordance with the obligations that a device certified as "in vitro diagnostic” must respect (i.e. scientifically rendering a result that the doctor can take as microbiological "truth”, without therefore having to carry out additional tests or to interpret the latter on the basis of his know-how and/or detailed knowledge of the bacterial ecology with which the patient is confronted).
  • the rejection rate of positive samples is however approximately 20%, meaning that for one positive sample out of 5, the physician has no clinical information. Conversely, 80% of positive samples are therefore characterized with certainty, which should be considered in light of certain cases where no sample is characterized at all.
  • the rejection rate of positive samples is reduced by at least one of the following additional features, alone or in combination: e. one vote per dish: the invention makes it possible to analyze several colonies, and not just one as is the case in conventional clinical workflows. Indeed, it is customary in clinical laboratories to take a single colony per dish, a choice made according to the experience of the laboratory technician, to carry out subsequent tests, such as for example an identification test using the applicant's Vitek MS spectrometer or an antibiogram test using the applicant's Vitek 2. Thanks to the invention, the entire Petri dish is imaged, and the operator can select, for example by means of a screen and a pointer controlled by the application downloaded to the smartphone or using an automatic segmentation algorithm, several colonies.
  • Each of the colonies is then analyzed, thus reducing the risk of not returning any identification for the dish.
  • a majority vote on the identified species is then returned to the user, for example a majority vote strictly greater than 50%, in particular greater than or equal to 60%.
  • f. adding a bandpass filter in the 415-440nm range and determining the gram of the colony-forming bacteria, for example as described in patent application WO 2017/216190.
  • g. enumeration of colonies By having at least one complete image of the Petri dish, it is possible to characterize the bacterial load of the sample, for example by measuring the surface area of the colonies on the image (ie: the light surfaces on a generally dark culture medium) and by calculating the ratio of the surface area of the colonies to the surface area of the dish. In the case of a urine sample, for example, sterile when the patient is not infected, this makes it possible to confirm the presence of an infection in the patient.
  • the Gram prediction is set to maximize its specificity. In this way, if the device does not make any identification, it still makes a Gram result of at least one colony-forming species on which the physician can rely to determine empirical antibiotic therapy. Thus, the percentage of samples that have a positive culture, having no clinical characterization, i.e. neither the identity nor the Gram of a pathogen included in a sample, is very low, less than or equal to 5%.
  • FIG. 9 One embodiment of a method of antimicrobial diagnosis and therapy is illustrated in Figure 9 in connection with urine samples.
  • the process begins in 40 by taking a urine sample from a patient suspected of having a urinary tract infection, then spreading the sample in 42 on a culture medium included in a Petri dish (COS, TSS, etc.) then culturing the dish, in 44, at 37°C for at least 12 hours.
  • COS culture medium included in a Petri dish
  • an operator places the box under the illuminating dome 20 of the multispectral device 10, and rotates the filter wheel by taking an image for each filter using the application downloaded to the smartphone 26.
  • one or more colonies are selected at 48, either by the operator using the smartphone screen which displays the image of the box by one of the filters or an aggregated image, or selected using a segmentation algorithm selecting circular 2D objects in a manner known per se (for example by using a Hough-type image filter). For each selected colony, an averaging of the intensity of the pixels of the colony is carried out for each channel at 50, thus leading to a single intensity value per channel for said colony. This average multispectral spectrum is then optionally preprocessed in 52, for example to adjust its white and black points and/or transform its intensity into reflectance as described for example in the WO document 2019/122732.
  • An identification of the identity of the microbial species(s) forming the selected colony(ies) is then implemented at 54. If an identity is returned by the prediction, the physician can then, 56, select the antimicrobial therapy based on this identity and administer it to the patient. If no identification is returned, the Petri dish, or an aliquot of the initial sample, is then, for example, transported, at 58, to a laboratory equipped with instruments capable of a more complete characterization at 60, the results of which are returned, for example, to the physician on his smartphone 26 who chooses and administers the therapy accordingly.
  • the Gram is calculated if the device 10 has the necessary filter, in a manner described above, or any other medical value useful to the doctor (enumeration, box voting, etc.).
  • the smartphone performs the storage of the images and the prediction of the species present in the sample.
  • this storage and this prediction are performed on a remote server, the smartphone being used to transmit the images to said server.
  • the maintenance of the smartphone and the updating of the prediction software are simpler and more robust, the monitoring of patient files can be centralized in real time, or a qualified technician receiving the images centrally can put his expertise at the service of several traveling doctors, provide live support, etc.
  • computer processing unit we mean in particular any hardware comprising one or more processors or microprocessors associated with computer memories (cache, RAM, ROM, etc.) capable of memorizing instructions for the implementation of calculations and data processing when they are executed.

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Immunology (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Zoology (AREA)
  • Toxicology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Microbiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biotechnology (AREA)
  • Genetics & Genomics (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

Il est décrit un procédé d'identification d'une souche microbienne sous forme de colonie, comportant l'acquisition d'un ensemble d'au moins trois canaux spectraux de la colonie compris dans le spectre visible et infrarouge; et la mise en œuvre par ordinateur d'une prédiction de l'espèce en fonction des canaux spectraux acquis. Les trois canaux dudit ensemble les plus contributeurs à la performance de la prédiction sont choisis dans une première bande spectrale [730-780]nm et une deuxième bande spectrale [550-650]nm.

Description

PROCEDE ET SYSTEME D* IDENTIFICATION DE MICROORGANISMES SOUS FORME DE COLONIE
DOMAINE DE L'INVENTION
L'invention a trait au domaine de l'analyse microbiologique, et en particulier de l'identification de bactéries, levures et moisissures ayant poussées sous forme de colonie sur un milieu nutritif, par exemple coulé dans une boite de Pétri, et de manière privilégiée un milieu nutritif non chromogène, non fluorogène et dépourvu de colorant.
De manière avantageuse, l'invention peut être mise en œuvre à l'aide d'un dispositif portable de type smartphone ou tablette.
ETAT DE LA TECHNIQUE
On sait que le spectre visible et proche infrarouge contient l'information nécessaire à l'identification de l'espèce d'une colonie bactérienne ayant poussé sur un milieu de culture, par exemple contenu dans une boite de Petri, le milieu et la boite étant ci-après nommés ensemble "boite de Petri".
A titre d'exemple, la Demanderesse atteint une précision d'identification de l'espèce formant une colonie par analyse au moyen d'apprentissage automatisé de l'image de cette colonie d'une dizaine de pixels prise par une caméra hyper-spectrale à 240 canaux spectraux dans la gamme [390-900] nm supérieure à 95%, très souvent supérieure à 98%. On pourra se reporter aux documents Feng, Y. Z & al., "Invasive weed optimization for optimizing one -agar -for -all classification of bacterial colonies based on hyperspectral imaging. "? Sensors and Actuators B-Chemical (2018) 269: 264-270 et le document «Hyperspectral image analysis for rapid and accurate discrimination of bacterial infections: A benchmark study » de Arrigoni et al., Computers in Biology and Medicine 88 (2017)
Si la technologie hyper-spectrale est aujourd'hui mature et peu onéreuse, une caméra de ce type coûtant une dizaine de milliers d'euros, elle reste cependant inaccessible dans de nombreuses situations, en particulier dans les pays en voie de développement. Outre le cout qui reste trop élevé, la technologie hyper-spectrale est également trop peu mobile. Les caméras, encombrantes, restent à demeure dans les laboratoires, alors que les médecins microbiologistes sont itinérants pour atteindre les patients situés dans des endroits reculés du territoire.
Dans ce contexte, il existe un besoin d'identification pouvant être réalisée au moyen de dispositifs encore moins coûteux, mobiles, peu encombrants et réalisant seuls la totalité de l'identification, depuis la prise d'image jusqu'au au rendu de l'analyse, et ce avec des performances égales ou très proches de celles obtenues par l'utilisation d'une imagerie hyper- spectrale ayant des centaines de canaux spectraux.
EXPOSE DE L’INVENTION
Le but de la présente invention est de proposer un procédé performant d'identification de microorganismes sous forme de colonies par l'analyse d'un nombre limités de canaux dans le visible et proche infrarouge.
A cet effet, l'invention a pour objet un procédé d'identification d'une souche microbienne sous forme de colonie, comportant :
A. l'acquisition d'un ensemble d'au moins trois canaux spectraux de la colonie compris dans le spectre visible et infrarouge; et
B. la mise en œuvre par ordinateur d'une prédiction de l'espèce en fonction des canaux spectraux acquis.
Selon l'invention, les trois canaux dudit ensemble les plus contributeurs à la performance de la prédiction sont choisis dans :
- une première bande spectrale [730-780]nm;
- une deuxième bande spectrale [550-650]nm.
L'invention a également pour objet un procédé d'identification d'un microorganisme susceptible d'être contenu dans un échantillon biologique d'un type prédéfini, comprenant:
A. l'acquisition d'au moins une image numérique multispectrale d'au plus dix canaux d'au moins une colonie microbienne ayant poussée sur un milieu de culture suite à l'étalement de l'échantillon sur ledit milieu;
B. la prédiction, mise en œuvre par informatique, de l'espèce microbienne formant ladite colonie parmi un panel prédéterminé d'espèces microbienne en fonction de la ou des images multispectrales numériques acquises;
Selon l'invention, le panel d'espèces microbiennes, les filtres optiques et l'algorithme d'identification sont choisis de manière à ce que la spécificité de l'identification est supérieure ou égale à 90%, et de préférence supérieure ou égale à 94%;
- si le modèle de prédiction délivre l'identité d'une espèce o alors ladite identité est confirmée sans mettre en œuvre un autre procédé d'identification du microorganismes; o sinon un autre procédé d'identification du microorganisme est mis en œuvre. L'invention a également pour objet un Dispositif d'identification d'une colonie microbienne parmi un panel prédéterminé d'espèces microbiennes responsables d'infections pathogéniques d'un type prédéterminé, notamment urinaire, comprenant:
A. une caméra numérique configurée pour acquérir une image numérique de ladite colonie;
B. et une unité de traitement informatique connectée à ladite caméra pour recevoir l'image numérique de la colonie;
Selon l'invention, la caméra numérique comprend:
A.1. un capteur d'image monochromatique apte à capter une lumière incidente dans la gamme de longueurs d'onde [390-900] nm;
A.2.un objectif apte à former une image sur ledit capteur dans ladite gamme;
A.3.un ensemble d'au plus dix filtres passe-bande optiques centrés respectivement sur différentes longueurs d'onde de la gamme de longueurs d'onde [390-900] nm, chacun ayant une largeur de bande comprise dans la gamme [8-50]nm, chacun desdits filtres étant configuré pour être placé de manière amovible devant l'objectif de manière à acquérir une image numérique multispectrale de la colonie microbienne; et les trois canaux dudit ensemble les plus contributeurs à la performance de la prédiction sont choisis dans :
- une première bande spectrale [730-780]nm;
- une deuxième bande spectrale [550-660]nm
L'invention a également pour objet un dispositif d'identification d'une colonie microbienne parmi un panel prédéterminé d'espèces microbiennes responsables d'infections pathogéniques d'un type prédéterminé, notamment urinaire, comprenant:
A. une caméra numérique configurée pour acquérir une image numérique de ladite colonie;
B. et une unité de traitement informatique connectée à ladite caméra pour recevoir l'image numérique de la colonie;
Selon l'invention, la caméra numérique comprend:
A.1. un capteur d'image monochromatique apte à capter une lumière incidente dans la gamme de longueurs d'onde [390-900] nm;
A.2. un objectif apte à former une image sur ledit capteur dans ladite gamme;
A.3. un ensemble d'au plus dix filtres passe-bande optiques centrés respectivement sur différentes longueurs d'onde de la gamme de longueurs d'onde [390-900] nm, chacun ayant une largeur de bande comprise dans la gamme [8-50]nm, chacun desdits filtres étant configuré pour être placé de manière amovible devant l'objectif de manière à acquérir une image numérique multispectrale de la colonie microbienne; et l'unité de traitement informatique est configurée pour mettre en œuvre un algorithme d'identification de l'espèce formant la colonie en fonction des images numériques, et le panel d'espèces microbiennes correspond à une prévalence d'au moins 70% des infections pathologiques, et de préférence supérieure ou égale à 80%, et le panel d'espèces microbiennes, les filtres optiques et l'algorithme d'identification sont choisis de manière à ce que la spécificité de l'identification est supérieure ou égale à 90%, et de préférence supérieure ou égale à 94%.
L'invention a également pour objet un Dispositif de caractérisation d'une colonie microbienne, comprenant:
A. une caméra numérique configurée pour acquérir une image numérique de ladite colonie;
B. et une unité de traitement informatique connectée à ladite caméra pour recevoir l'image numérique de la colonie; selon l'invention, la caméra numérique comprend:
A.l. un capteur d'image monochromatique apte à capter une lumière incidente dans la gamme de longueurs d'onde [390-900] nm;
A.2.un objectif apte à former une image sur ledit capteur dans ladite gamme;
A.3.un ensemble d'au plus dix filtres passe-bande optiques, chacun ayant une largeur de bande comprise dans la gamme [8-50]nm, chacun desdits filtres étant configuré pour être placé de manière amovible devant l'objectif de manière à acquérir une image numérique multispectrale de la colonie microbienne; et l'ensemble d'au plus 10 filtres comprend:
A.3.1.un premier filtre centré sur une longueur d'onde de la gamme [415-440]nm;
A.3.2.des seconds filtres centrés respectivement sur différentes longueurs d'onde de la gamme de longueurs d'onde [390-900] nm et l'unité de traitement informatique est configurée pour identifier:
B.1.le gram de l'espèce formant la colonie en fonction de l'image numérique de ladite colonie acquise au moyen du premier filtre;
B.2. l'identité de l'espèce formant la colonie en fonction des images numériques acquises à l'aide des seconds filtres.
BREVE DESCRIPTION DES FIGURES
L’invention sera mieux comprise à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple, et faire en relation avec les dessins annexés, dans lesquels des références identiques désignent des éléments identiques ou analogues, et dans lesquels
- la figure 1 est une schématique d'un système d'acquisition multispectrale et d'identification d'espèces microbiennes formant colonie selon l'invention;
- la figure 2 est une vue éclatée de ce même système; - la figure 3 est une vue de dessus simplifiée d'une roue à filtre entrant dans la constitution de ce système;
- la figure 4 est une vue schématique de la réponse fréquentielle d'un filtre passe-bande entrant dans la constitution de la roue à filtres;
- la figure 5 illustre la réflectance à différents canaux spectraux pour différentes espèces, réflectance ici illustré par son diagramme en boite ("box-plot") au 95e centile;
- la figure 6 est la courbe du taux d'erreur de classification en fonction des canaux sélectionnés selon une approche "feed-forward";
- la figure 7 illustre un arbre décisionnel pour la classification de 8 uropathogène en fonction de la réflectance à différents canaux spectraux
- la figure 8 illustre un autre arbre décisionnel pour la classification de 8 uropathogène en fonction de la réflectance à différents canaux spectraux
- la figure 9 est un organigramme de traitement d'échantillons urinaires se basant sur l'invention.
DESCRIPTION DETAILLEE DE L’INVENTION
A. Système d'identification multispectral selon l'invention
En se référant aux figures 1 à 4, un système 10 d'identification de microorganisme ayant poussées sous forme de colonie comporte :
- un dispositif d'acquisition d'image 12 comprenant un capteur d'image matriciel 14, un objectif 15, ainsi qu'un circuit de traitement recevant les signaux du capteur 14 et les configurant pour une transmission, par exemple au travers d'une connexion de type USB-C ou Bluetooth, à une unité de traitement. Le capteur 14 est par exemple un capteur CMOS noir et blanc de 5 millions de pixels commercialisé par la société E-Con Systems, Inde sous la référence See3CAM_CU55M, pilotable depuis une application smartphone connecté par USB-C ;
- une roue à filtres 16, comprenant un ensemble de filtres passe bande 18, d'un nombre inférieur à 10. La roue est configurée par rapport au dispositif 12 pour être tournée par l'utilisateur de manière à présenter de manière séquentielle chacun des filtres 18 devant l'objectif 15. En se référant à la figure 4, la largeur d'un filtre, définie comme la largeur à mi-hauteur de la réponse fréquentielle, est comprise entre 8nm et 50nm. Par exemple, les filtres sont des filtres passe-bande dichroïque d'une largeur de lOnm ;
- optionnellement un dispositif d'éclairage 20, avantageusement sous la forme d'un dôme sous lequel une boite de Petri 22 comportant les colonies microbiennes à identifier; une unité de traitement d'image 26, de préférence sous la forme d'un smartphone ou d'une tablette, connectable au dispositif d'acquisition d'image 12, par exemple au moyen d'au câble USB-C
Le capteur d'image 14 du dispositif 12, de technologie CMOS ou CCD, est un capteur "nu" en ce qu'il n'est revêtu ni de filtre infrarouge ni de matrice de Bayer comme cela est le cas des capteurs équipant les smartphones et tablettes à destination du grand public. En l'absence des filtres 18, ce capteur monochrome est donc configuré pour intégrer le flux lumineux incident sur ses photosites sur l'ensemble de la plage [390-900]nm. Le montage optique, comprenant le capteur, le ou les objectifs avec leur(s) ouverture(s), ainsi que la distance du plan d'image du capteur à la boite de Petri 22, est configuré de manière à obtenir une image nette d'au moins 5 pixels, et de préférence d'au moins 10 pixels, d'une colonie microbienne ayant un diamètre compris entre 3 et 5mm, et ce quel que soit le filtre 18 présent devant les objectifs.
Le dispositif d'éclairage 20 comporte dans sa partie inférieure interne un anneau de LEDs 24 sélectionnées pour émettre un éclairage dans le visible et le proche infrarouge, notamment dans l'ensemble de la gamme [390-900]nm, par exemple des LEDs blanches commercialisées par la société Yujiled, Chine. Le dispositif 20 est conçu pour être un modeleur de lumière et comporte à cette fin sur sa paroi interne 26 une surface réfléchissante blanche ou argentée, par exemple un gris à 17%, de sorte à obtenir un éclairage uniforme évitant les phénomènes de spécularité sur les colonies ayant poussées sur la boite de Petri 22. Ce dispositif comprend également, dans le champ de vision du montage optique, une surface blanche afin de réaliser une correction de la température de couleur, ou correction du point blanc.
Le dispositif d'acquisition 12 est prévu en complément d'une unité de traitement 12 sous la forme d'un smartphone ou d'une tablette grand public. Ces derniers sont souvent la seule ressource informatique récente à disposition des personnels de santé et ont de multiples usages, tant professionnels que personnels. Ils sont donc plus sujets à des casses, pannes, ou des changements fréquents. En séparant ainsi de manière nette le dispositif d'acquisition d'image du smartphone en charge du traitement informatique des images, un double avantage est ainsi obtenu : a) la partie la plus "fragile" est remplaçable sans que le dispositif d'acquisition ne soit à changer; b) les smartphones étant produits en masse, leur coût est donc moindre qu'un dispositif qui serait produit spécifiquement pour mettre en œuvre l'invention. Toutefois, l'invention couvre un smartphone ou une tablette dont le capteur et le système optique sont été spécifiquement conçus et produits pour mettre en œuvre l'invention, le dispositif 12 étant alors omis et l'objectif du smartphone directement positionné devant la roue à filtres 16. Le dispositif d'éclairage 20, bien qu'optionnel, est prévu pour faciliter grandement l'usage de l'invention. En effet, il permet d'obtenir un éclairage adéquat à l'intérieur du dôme, et donc sur la surface de la boite de Petri, et ce quel que soit l'éclairage ambiant. Ce dispositif évite ainsi à l'utilisateur d'avoir à se préoccuper de cet aspect, et donc d'obtenir un diagnostic microbien quel que soient les conditions lumineuses ou les compétences de l'utilisateur en termes de réglages photographiques. De plus, il permet de positionner le dispositif 12 toujours à la même distance de la boite de Petri, évitant ainsi à l'utilisateur d'avoir à se préoccuper également du réglage de le mise au point sur la boite de Petri. La combinaison du dispositif d'acquisition d'image 12 et du dôme éclairant 20, d'une hauteur combinée d'une dizaine de centimètre et d'un diamètre maximum du même ordre, permet donc à quiconque de prendre les images de la boite de Petri 22, sans avoir à suivre une longue formation, y compris les assistants des médecins, libérant ainsi du temps pour ces derniers. De manière avantageuse, la roue à filtres 16 est partie intégrante de la partie supérieure du dôme d'éclairage 20 de sorte à protéger au maximum cet élément qui est le plus fragile et le plus coûteux. Si le dôme est ici présenté rigide, il peut être prévu pliable pour augmenter sa transportabilité, par exemple du type des boites à lumière transportable connues dans le domaine de la photographie publicitaire ou culinaire.
Le traitement des images acquises est quant à lui mis en œuvre de manière avantageuse sous la forme d'une application téléchargée sur le smartphone 26. Si le paramétrage de ce traitement peut requérir des ressources informatiques importantes, notamment dans le cas d'un mode de réalisation à base d'apprentissage automatisé (ou "machine learning"), l'usage du traitement est cependant peu gourmand en ressources informatiques de sorte que la puissance de calcul des smartphones d'entrée de gamme à la date de dépôt de la présente demande est largement suffisante. On notera ainsi que le système selon l'invention, outre sa facilité d'usage, a un cout très modéré et peut donc être adopté à large échelle, en particulier dans les pays en voie de développement. Le traitement des images sera détaillé ci-après.
B. Identification par un dispositif multispectral à l'aide d'un nombre limité de canaux spectraux
Il va à présent être un procédé d'identification de l'espèce microbienne formant colonies ayant poussées sur un milieux de culture COS (gélose Columbia au sang) parmi les espèces Enterococcus faecalis (1), Escherichia coli (2), Klebsiella pneumoniae (3), Proteus mirabilis (4), Proteus vulgaris (5), Pseudomonas aeruginosa (6), Staphylococcus aureus (7), and Streptococcus agalactiae (8). Les espèces ici listée sont choisies pour un diagnostic d'infection urinaire (ou "Urinary Tract Infection" - UTIs) et constituent plus de 90% de ces infections dans la majorité des hôpitaux. Le chiffre en parenthèse représente leur étiquette sur les figures. Pour la conception de ce mode de réalisation, les inventeurs ont poursuivi trois objectifs de manière conjointe : i. minimiser le nombre de filtres passe-bande qui constituent à ce jour la partie la plus onéreuse du système; ii. obtenir une erreur de classification la plus faible possible, au maximum égale à 6%, ce seuil représentant la valeur au-delà duquel les microbiologistes et cliniciens considèrent le diagnostic comme scientifiquement trop peu fiable pour être utilisé en routine; iii. et concevoir un algorithme d'identification qui est compréhensible par les utilisateurs, à la différence par exemple d'algorithmes à base d'apprentissage profond qui sont des "boites noires" pouvant former une barrière à l'adoption ou qui peuvent sujet à du surapprentissage. Les inventeurs ont cependant testé avec succès d'autres algorithmes de prédiction, comme par exemple des apprentissages automatisés à base de SVM ("Support Vector Machine") à noyau linéaire et radial, ou la PLS-DA.
Pour ce faire, les inventeurs se sont appuyés sur l'imagerie hyper-spectrale. On sait que la gamme de longueurs d'onde 390-900nm contient l'information nécessaire à l'identification des espèces formant colonie avec une précision proche de 100%. Les inventeurs ont donc travaillé à la découverte de canaux spectraux spécifiques dans cette gamme les plus informatifs pour l'identification, tout en veillant à annuler les phénomènes de corrélation statistique entre canaux qui peuvent survenir dans ce type d'étude.
Pour ce faire, une base de données de spectre hyperspectraux de colonies des espèces est tout d'abord acquises. Notamment, plusieurs souches ont été collectés pour chaque espèce, puis chaque souche à faire l'objet d'un étalement sur trois boites de Petri, mises en culture à 37°C pendant 24 heures, puis des images hyper-spectrales des boites sont acquises. Un total de 1745 colonies ayant poussées sur un milieu COS ont été analysées, constituées chacune d'une dizaine à une centaine de pixels. Les spectres issus de deux boites sont utilisés pour l'apprentissage d'un algorithme ci-après décrit et les spectres de la troisième boite sont utilisés pour le test de l'algorithme appris. Par exemple, l'acquisition des images des boites de Petri dans la gamme [390-900]nm, et donc des colonies, est réalisée à l'aide d'une caméra hyper-spectrale CMOS de 240 canaux d'une résolution spectrale de 2,1 nm. Ce système d'acquisition est par exemple celui décrit dans la demande de brevet WO 2019/122732. Le prétraitement des spectres acquis pour chaque pixel des colonies bactériennes est alors mis en œuvre de manière à obtenir des spectres de réflectance corrigé des points blanc et noir, par exemple le pré-traitement décrit dans ce document. Les spectres prétraités, de réflectance, d'une colonie sont ensuite moyennés sur les pixels de cette colonie pour obtenir un seul spectre moyen par colonie. Puis le spectre de réflectance moyen obtenu, d'une résolution initiale de 2,lnm, est sous- échantillonné dans le domaine des longueurs d'onde afin d'obtenir une résolution spectrale finale compatible avec les filtres passe-bandes du commerce dont la largeur est généralement comprise entre 8nm et 50 nm. Par exemple, une fenêtre glissante moyennant les intensités du spectre sur la largeur de la fenêtre est appliquée. A titre d'illustration, pour obtenir une résolution finale d'environ lOnm, une fenêtre de largeur égale à 4 canaux est appliquée, menant à une résolution de 4*2, Inm. Le spectre de réflectance final est alors mémorisé dans la base de données.
Un total de 1745 colonies ayant poussées sur un milieu COS ont été analysées. Chaque souche bactérienne acquise pour l'étude a été étalée sous trois boites de Petri, deux boites étant utilisées pour l'entrainement des algorithmes d'identification, la dernière étant utilisées pour tester les performances des algorithmes. Plusieurs algorithmes prédictifs ont été testés, notamment des prédiction de type Support Vector Machine, à noyau linéaire ou non linéaire, par exemple radiale, l'apprentissage étant réalisé selon la technique " 10-folds".
Un travail exploratoire des descripteurs de ces algorithmes a été entrepris pour déterminer un nombre minimal de canaux permettant un taux d'erreur de classification inférieur à 10%, et de préférence inférieure ou égal à 6%. Notamment, une approche de type "feed forward" a été mise en œuvre. Dans une première étape, le nombre de descripteur est posé égal à 1, et l'ensemble des canaux est parcouru pour déterminer celui qui est le plus prédictif. Ce canal est retenu et le nombre de descripteur est posé égal à 2, et les canaux restants sont parcourus pour déterminer le second canal le plus prédictif, et ainsi de suite. Comme illustré à la figure 5, le taux d'erreur chute rapidement en fonction du nombre de canaux sélectionnés, ce phénomène s'expliquant par le fait que les classes (étiquettes des espèces listées ci-dessus) sont séparables à la simple inspection visuelle de la réflectance desdits canaux (figure 4).
Les inventeurs ont ainsi découvert que 4 canaux seulement, d'une largeur comprise entre 8nm et 50nm et répartis dans les bandes [580-660]nm et [730-780]nm, permettent d'obtenir un taux d'erreur de classification inférieur à 6%. En particulier, les canaux comprenant la longueur d'onde proche de 750 nm (ici 747nm), de 620nm (ici 619nm) et 600nm (ici 595nm) permettent d'obtenir les performances visées.
Plus particulièrement, les inventeurs ont découvert que les trois canaux ayant les plus grandes valeurs prédictives de l'identification (en particulier en termes de taux d'erreur de classification ou en termes de spécificité) des espèces formant colonie sont compris dans les bandes [580- 660]nm et [730-780]nm. La valeur prédictive d'un canal est par exemple déterminée par l'approche feed-forward telle que décrite précédemment. Elle est par exemple également déterminée par l'emploi du score PPS (pour "Power Predictive Score", décrit par exemple dans le document "RIP correlation. Introducing the Predictive Power Score", Florian Wetschoreckde, Toward Data Science, 2020). En particulier, en excluant ces bandes, les inventeurs ont découvert qu'il n'est pas possible d'obtenir une erreur de prédiction inférieure ou égale à 6%, au moins à l'aide des algorithmes de classification employés avec succès avec l'ensemble des canaux, par exemple les SVM à différents noyaux (linéaire et radial), la PLS- DA ou encore les algorithmes de régression logistique (e.g. du type LASSO). De manière avantageuse, un quatrième canal le plus contributeur à la performance de la prédiction est choisi dans la bande spectrale [580-660]nm ou [490-540]nm.
Dans un mode de réalisation privilégié, la prédiction des espèces, par exemple mise en œuvre, sans y être limité, par le dispositif décrit en relation avec la figure 1, comprend l'acquisition d'images dans différents canaux spectraux, d'une largeur par exemple comprise entre 8 et 50nm, ces canaux étant compris uniquement dans les bandes [580-660]nm et [730-780]nm. Dans une variante, les canaux sont compris uniquement dans les bandes [580-660]nm, [730-780]nm et [490-540]nm.
Dans une étape suivante, les inventeurs se sont attachés à concevoir un algorithme de prédiction d'interprétation simple en vue d'une adoption aisée de cette technologie. De manière avantageuse, comme illustré à la figure 7, un arbre décisionnel uniquement sur la base des quatre longueurs d'onde susvisées permet de prédire l'identité des espèces bactériennes formant colonie. Notamment, un canal comprenant la longueur d'onde 750nm permet d'identifier directement les classes 1, 4 et 5 dont les botploxs sont distinctes les unes des autres, ce qui permet de définir des gammes d'intensité les séparant. Les classes restantes (2, 3, 6, 7 et 8) sont ensuite séparées en fonction d'un canal comprenant la longueur d'onde 620nm, permettant d'identifier la classe 8, et un premier groupe comprenant les classe 2 et 3, et un second groupe comprenant les classes 6 et 7. Enfin un canal comprenant la longueur d'onde 595 nm permet de séparer les classes 2 et 3 d'une part et les classes 6 et 7 d'autre part. L'approche "feed forward", qui utilise des outils de machine learning pour identifier des canaux à fort poids de prédiction, permet donc d'identifier également les canaux pour lesquels les intensités lumineuses des espèces formant colonie sont séparables par un simple seuillage. On notera que dans ce mode de réalisation à base d'arbre décisionnel, aucune technique de machine learning n'est employées pour identifier les espèces, ce qui permet notamment de s'affranchir des biais d'apprentissage ainsi que de minimiser le risque de surapprentissage. Evidemment, l'invention couvre également les modèles d'apprentissage automatisé, en particulier des modèles de type Support Vector machine, par exemple à noyau linéaire. L'étude menée par les inventeurs sur la base d'une caméra hyper-spectrale confirme donc la possibilité de mettre en œuvre une approche multispectrale (i.e. basée sur un nombre de canaux limités) à base d'algorithmes de prédiction simples de compréhension (i.e. un arbre décisionnel) pour l'identification des espèces bactériennes sur boite de Pétri avec des performances acceptables en termes de diagnostic in vitro. Plus particulièrement, il est démontré que l'emploi d'une technologie multispectrale dont les performances d'acquisition de signal dans le canaux sélectionnés ayant la même qualité que la technologie hyper-spectrale mène à une identification appropriée.
C. Industrialisation de l'identification multispectrale
Comme cela est parfois le cas, le passage d'un prototype de laboratoire basé sur une technologie spécifiquement conçue pour un objectif (une technologie hyper-spectrale conçues pour une acquisition dans le visible et le proche infrarouge et utilisée en environnement contrôlé) à un dispositif commercial basée sur une autre technologie (ici une caméra monochromatique à base de CMOS ou CDD dont la réponse au-delà des 700nm est bruitée, associée à des filtres optiques du commerce et utilisée dans un environnement moins contrôlé) induit une dégradation des performances attendues. Ainsi, le choix des filtres correspondant aux canaux déterminés sur la base de la technologie hyper-spectrale mène à une baisse sensible des performances, le taux d'erreur de classification pouvant être supérieur à 10%, voire 15%.
Selon l'invention, il s'agit donc de rétablir des performances de diagnostic in vitro, tout en respectant les contraintes d'usage, de robustesse, et de coût décrites ci-dessus. Pour ce faire, les inventeurs ont donc paramétré le dispositif multispectral selon l'invention en recherchant une synergie entre des caractéristiques techniques et des caractéristiques de workflow d'IVD microbiologique clinique: i. Caractéristiques techniques multispectrales a. restriction de la gamme de longueurs d'ondes, notamment en diminuant la valeur du plus grand canal pour l'éloigner de la gamme de longueurs d'onde proche infrarouge où le capteur présente une réponse dégradée b. ajout d'un ou plusieurs canaux supplémentaires, et donc de filtres optiques passe-bande, au-delà des 4 canaux déterminés via la technologie hyper- spectrale. Au plus dix filtres sont utilisés. Au-delà, le système dans son entier, qui enchâsse préférentiellement les filtres dans le dôme 20 pour leur protection, devient trop encombrant et/ou trop coûteux ; c. optionnellement, le choix des filtres passe-bande pour régler une largueur de canal différente, notamment plus restreinte si cela permet d'augmenter les performances. ii. Caractéristiques de workflow IVD clinique d. choix d'un panel d'espèces à identifier plus restreint si cela aide à améliorer la spécificité de la prédiction (c'est-à-dire la capacité à correctement prédire la bonne espèce parmi les échantillons comprenant effectivement au moins l'une des espèces du panel), la restriction étant cependant réalisée pour dégrader de manière minimale la prévalence de ce panel dans les infections, ici urinaire. e. le réglage de l'algorithme de prédiction de manière à privilégier la spécificité sur le taux de rejet (i.e. pourcentage d'échantillons pour lesquels aucun résultat d'identification n'est rendu).
Pour obtenir la synergie des caractéristiques a et b, l'approche "feed forward" est relancée sur la base de la technologie hyper-spectrale, les caractéristiques d et e étant des hyperparamètres de l'algorithmes de prédiction. Concernant la caractéristique e, comme cela est connu en soi, les algorithmes à base de classification comprennent deux étapes : un premier étage renvoyant un ou plusieurs scores quantifiant une ou plusieurs distance de l'échantillon en cours de test aux différentes classes de l'algorithme et une second étage qui détermine une identité de classe en fonction des distances calculées en les comparants à un seuil prédéfini. La sélection de seuil permet de régler un compromis entre sensibilité ou spécificité par exemple. Si un arbre décisionnel est utilisé, la valeur des gammes d'intensité pour séparer les différentes classes et groupes de classe, mène également à un compromis entre spécificité et taux de rejet. Là encore, la spécificité est privilégiée.
Concernant la caractéristique d, il s'agit par exemple de paramétrer les caractéristiques a, b et e en fonction de différents panels choisis parmi une liste préétablie d'espèces, notamment les huit espèces décrites ci-dessus.
En procédant de cette manière, les inventeurs ont conçus un premier mode de réalisation du dispositif de la figure 1 : i. à base de 6 filtres optiques d'une largeur de lOnm, comprenant respectivement les longueurs d'onde 650nm 730nm, 670nm, 630nm, 471nm and 580nm; ii. pour le panel d'espèces Enterococcus faecalis (1), Escherichia coli(2), Klebsiella pneumoniae(3), Proteus mirabilis (4) et Streptococcus agalactiae (5) qui comptent pour plus de 80% des infections urinaires iii. avec une spécificité égale à 96% au détriment d'une sensibilité égale à 79%.
En poursuivant l'exploration synergétique des caractéristiques a-d, les inventeurs ont conçu un second mode de réalisation du dispositif de la figure 1 : i. à base de 5 filtres optiques d'une largeur de lOnm, comprenant respectivement les longueurs d'onde 640nm, 660nm, 580nm, et 750nm, ii. pour le panel d'espèces Enterococcus faecalis (1), Escherichia coli(2), Klebsiella pneumoniae(3), Proteus mirabilis (4), Pseudomonas aeruginosa (5), Staphylococcus aureus (6), et Streptococcus agalactiae (7) qui comptent pour plus de 80% des infections urinaires iii. là encore avec une spécificité égale supérieure à 94%, au détriment d'une sensibilité proche de 80%.
La figure 8 illustre un arbre décisionnel conçu par les inventeurs pour le mode de réalisation à 7 espèces, là encore dans un souci d'adoption, les classes étant séparables directement par seuillage entre différent canaux par un choix particulier de la séquence de canaux à analyser.
Ainsi donc, le médecin peut avoir confiance dans le système lorsque ce dernier renvoie un résultat d'identification, la spécificité étant conforme aux obligations que doit respecter un dispositif certifié "diagnostic in vitro" (i.e. rendant scientifiquement un résultat que le médecin peut prendre pour "vérité" microbiologique, sans donc à avoir à procéder à des tests supplémentaire ou à interpréter ce dernier sur la base de son savoir-faire et/ou de la connaissance fine de l'écologie bactérienne auquel le patient est confronté).
Le taux de rejet d'échantillons positifs (i.e. échantillons pour lesquels on observe une pousse de colonie et une prédiction qui ne renvoie aucune identité) est cependant d'environ 20%, signifiant que pour un échantillon positif sur 5, le médecin ne dispose d'aucune information clinique. A contrario, 80% des échantillons positifs sont donc caractérisés de manière certaine, ce qui est à mettre au regard de certains cas où aucun échantillon n'est caractérisé du tout.
Dans un mode de réalisation privilégié, le taux de rejet des échantillons positifs est diminué par l'une au moins des caractéristiques supplémentaires suivantes, seule ou en combinaison : e. un vote par boite: l'invention permet d'analyser plusieurs colonies, et non une seule comme cela est le cas des workflow cliniques classiques. En effet, il est d'usage en laboratoire clinique de prélever une seule colonie par boite, choix réalisé en fonction de l'expérience du technicien de laboratoire, pour réaliser les tests ultérieurs, comme par exemple un test d'identification à l'aide du spectromètre Vitek MS de la demanderesse ou un test d'antibiogramme à l'aide du Vitek 2 de la demanderesse. Grâce à l'invention, l'ensemble de la boite de Petri est imagé, et l'opérateur peut sélectionner, par exemple au moyen d'un écran et d'un pointeur contrôlés par l'application téléchargée sur le smartphone ou à l'aide d'un algorithme automatique de segmentation, plusieurs colonies. Chacune des colonies est alors analysée diminuant ainsi le risque de ne rendre aucune identification pour la boite. Un vote majoritaire sur l'espèce identifié est alors rendu à l'utilisateur, par exemple un vote majoritaire supérieur strictement à 50%, notamment supérieur ou égal à 60%. f. l'ajout d'un filtre passe bande dans la gamme 415-440nm et la détermination du gram de la bactérie formant colonie par exemple comme cela est décrit dans la demande de brevet WO 2017/216190. g. énumération des colonies. En disposant d'au moins une image complète de la boite de Petri, il est possible de caractériser la charge bactérienne de l'échantillon, par exemple en mesurant sur l'image la surface des colonies (i.e.: les surfaces claires sur un medium de culture généralement sombre) et en calculant le ratio surface des colonies sur la surface de la boite. Dans le cas d'échantillon urinaire par exemple, stérile lorsque le patient n'est pas infecté, cela permet d'affirmer la présence d'une infection chez le patient.
Concernant la caractéristique f, la prédiction du Gram est réglée de manière à maximiser sa spécificité. De cette manière, si le dispositif ne rend aucune identification, il rend malgré tout un résultat sur le Gram d'au moins une espèce formant colonie sur laquelle le médecin peut se reposer pour déterminer une antibiothérapie empirique. Ainsi, le pourcentage d'échantillons ayant présenté une culture positive, n'ayant aucune caractérisation clinique, à savoir ni l'identité ni le Gram d'un pathogène compris dans un échantillon, est très faible, inférieur ou égal à 5%.
Un mode de réalisation d'un procédé de diagnostic et de thérapie anti-microbienne est par illustré à la figure 9 en relation avec des échantillons urinaires.
Le procédé débute en 40 par le prélèvement d'un échantillon urine chez un patient suspecté d'une infection urinaire, puis l'étalement en 42 de l'échantillon sur un milieu de culture compris dans une boite de Petri (COS, TSS,...) puis la mise en culture de la boite, en 44, à 37°C pendant au moins 12h. Un fois l'incubation terminée, en 46 un opérateur dispose la boite sous le dôme éclairant 20 du dispositif multispectral 10, et fait tourner la roue à filtre en prenant une image pour chaque filtre au moyen de l'application téléchargée sur le smartphone 26. Une fois l'ensemble des images acquises, une ou plusieurs colonies sont sélectionnées en 48, soit par l'opérateur à l'aide de l'écran du smartphone qui affiche l'image de la boite par l'un des filtres ou une image agrégée, ou bien sélectionnée(s) à l'aide d'un algorithme de segmentation sélectionnant des objets 2D circulaires d'une manière connue en soi (par exemple par l'emploi de filtre d'image de type Hough). Pour chaque colonie sélectionnée, un moyennage de l'intensité des pixels de la colonie est réalisé pour chaque canal en 50, menant ainsi à une valeur unique d'intensité par canal pour ladite colonie. Ce spectre multispectral moyen est alors optionnellement prétraité en 52, par exemple pour régler ses points blanc et noir et/ou transformer son intensité en réflectance tel que décrit par exemple dans le document WO 2019/122732. Une identification de l'identité de la ou des espèces microbiennes formant la ou les colonies sélectionnées est alors mise en œuvre en 54. Si une identité est renvoyée par la prédiction, le médecin peut alors, 56, sélectionner la thérapie anti-microbienne en fonction de cette identité et l'administrer au patient. Si aucune identification n'est renvoyée, la boite de Petri, ou bien un aliquote de l'échantillon initial, est alors par exemple transporté, en 58, vers un laboratoire doté d'instruments capables d'une caractérisation plus complète en 60, caractérisation dont les résultats sont renvoyés par exemple au médecin sur son smartphone 26 qui choisit et administre la thérapie en fonction.
Dans une variante, lorsque le résultat de l'identification est négatif, le Gram est calculé si le dispositif 10 dispose du filtre nécessaire, d'une manière décrite ci-avant, ou tout autre valeur médicale utile au médecin (énumération, vote par boite, etc.).
Dans une variante de l'invention, il est décrit que c'est l'application téléchargée sur le smartphone qui réalise le stockage des images et la prédiction des espèces présentes dans l'échantillon. Dans une variante, lorsque le smartphone est connectable à un réseau de transmission de données (ADSL, fibre, par satellite...), ce stockage et cette prédiction sont réalisés sur un serveur distant, le smartphone étant utilisé pour transmettre les images audit serveur. De cette manière, la maintenance du smartphone et la mise à jour du logiciel de prédiction sont plus simples et plus robustes, le suivi des dossiers des patients peut être centralisé en temps réel, ou encore un technicien qualifié recevant de manière centralisée les images peut mettre son expertise au service de plusieurs médecins itinérants, réaliser un support en direct, etc.
Par unité de traitement informatique, on entend notamment tout matériel comprenant un ou plusieurs processeurs ou microprocesseurs associé(s) à des mémoires informatiques (cache, ram, rom, . . .) aptes à mémoriser des instructions pour la mise en œuvre de calculs et traitements de données lorsqu'elles sont exécutées.

Claims

REVENDICATIONS
1. Procédé d'identification d'une souche microbienne sous forme de colonie, comportant :
A. l'acquisition d'un ensemble d'au moins trois canaux spectraux de la colonie compris dans le spectre visible et infrarouge;
B. la mise en œuvre par ordinateur d'une prédiction de l'espèce en fonction des canaux spectraux acquis, caractérisé en ce les trois canaux dudit ensemble les plus contributeurs à la performance de la prédiction sont choisis dans :
- une première bande spectrale [730-780]nm;
- une deuxième bande spectrale [550-660]nm.
2. Procédé d'identification d'un microorganisme susceptible d'être contenu dans un échantillon biologique d'un type prédéfini, comprenant :
A. l'acquisition d'au moins une image numérique multispectrale d'au plus dix canaux d'au moins une colonie microbienne ayant poussée sur un milieu de culture suite à l'étalement de l'échantillon sur ledit milieu ;
B. la prédiction, mise en œuvre par informatique, de l'espèce microbienne formant ladite colonie parmi un panel prédéterminé d'espèces microbienne en fonction de la ou des images multispectrales numériques acquises ; caractérisé en ce que:
- le panel d'espèces microbiennes, les filtres optiques et l'algorithme d'identification sont choisis de manière à ce que la spécificité de l'identification est supérieure ou égale à 90%, et de préférence supérieure ou égale à 94%;
- si le modèle de prédiction délivre l'identité d'une espèce o alors ladite identité est confirmée sans mettre en œuvre un autre procédé d'identification du microorganismes; o sinon un autre procédé d'identification du microorganisme est mis en œuvre.
3. Procédé selon la revendication 1 ou 2, caractérisé en ce que chaque canal spectral a une largueur comprise entre 8nm et 50nm.
4. Procédé selon la revendication 1, 2 ou 3, dans lequel ledit ensemble de canaux comprend un quatrième canal le plus contributeur à la performance de la prédiction compris dans la deuxième bande spectrale.
5. Procédé selon l'une des revendications précédente, dans lequel ledit ensemble de canaux comprend un quatrième canal le plus contributeur à la performance de la prédiction compris dans la bande spectrale [490-540]nm.
6. Procédé selon l'une des revendications précédentes, caractérisé en ce que
- l'acquisition est réalisée au moyen d'un capteur d'image monochromatique devant lequel sont positionnés de manière amovibles des filtres passe-bande correspondant aux canaux spectraux; et
- la largueur spectrale à mi-hauteur desdits filtres est comprise entre 8nm et 50nm.
7. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que l'ensemble de canaux spectraux comprend au plus 10 canaux, et de préférence au plus 8 canaux spectraux.
8. Procédé selon l'une quelconque des revendications, caractérisé en ce que la prédiction de l'espèce de la souche bactérienne met en œuvre un arbre décisionnel dans lequel chaque nœud comprend une prédiction réalisée en fonction d'un seul canal spectral de l'ensemble de canal spectral.
9. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que l'espèce bactérienne est un uropathogène parmi les espèces Escherichia coli, Enterococcus faecalis. Staphylococcus aureus, Proteus mirabilis, Proteus vulgaris, Klebsiella pneumoniae, Pseudomonas aeruginosa, et Streptococcus agalactiae.
10. Dispositif d'identification d'une colonie microbienne parmi un panel prédéterminé d'espèces microbiennes responsables d'infections pathogéniques d'un type prédéterminé, notamment urinaire, comprenant :
A. une caméra numérique configurée pour acquérir une image numérique de ladite colonie ;
B. et une unité de traitement informatique connectée à ladite caméra pour recevoir l'image numérique de la colonie ; caractérisé en ce que la caméra numérique comprend:
A.1. un capteur d'image monochromatique apte à capter une lumière incidente dans la gamme de longueurs d'onde [390-900] nm;
A.2.un objectif apte à former une image sur ledit capteur dans ladite gamme;
A.3.un ensemble d'au plus dix filtres passe-bande optiques centrés respectivement sur différentes longueurs d'onde de la gamme de longueurs d'onde [390-900] nm, chacun ayant une largeur de bande comprise dans la gamme [8-50]nm, chacun desdits filtres étant configuré pour être placé de manière amovible devant l'objectif de manière à acquérir une image numérique multispectrale de la colonie microbienne; et en ce que les trois canaux dudit ensemble les plus contributeurs à la performance de la prédiction sont choisis dans :
- une première bande spectrale [730-780]nm;
- une deuxième bande spectrale [550-660]nm
11. Dispositif d'identification d'une colonie microbienne parmi un panel prédéterminé d'espèces microbiennes responsables d'infections pathogéniques d'un type prédéterminé, notamment urinaire, comprenant :
A. une caméra numérique configurée pour acquérir une image numérique de ladite colonie ;
B. et une unité de traitement informatique connectée à ladite caméra pour recevoir l'image numérique de la colonie ; caractérisé en ce que la caméra numérique comprend:
A.1. un capteur d'image monochromatique apte à capter une lumière incidente dans la gamme de longueurs d'onde [390-900] nm;
A.2.un objectif apte à former une image sur ledit capteur dans ladite gamme;
A.3.un ensemble d'au plus dix filtres passe-bande optiques centrés respectivement sur différentes longueurs d'onde de la gamme de longueurs d'onde [390-900] nm, chacun ayant une largeur de bande comprise dans la gamme [8-50]nm, chacun desdits filtres étant configuré pour être placé de manière amovible devant l'objectif de manière à acquérir une image numérique multispectrale de la colonie microbienne; en ce que l'unité de traitement informatique est configurée pour mettre en œuvre un algorithme d'identification de l'espèce formant la colonie en fonction des images numériques, en ce que le panel d'espèces microbiennes correspond à une prévalence d'au moins 70% des infections pathologiques, et de préférence supérieure ou égale à 80%, et en ce que le panel d'espèces microbiennes, les filtres optiques et l'algorithme d'identification sont choisis de manière à ce que la spécificité de l'identification est supérieure ou égale à 90%, et de préférence supérieure ou égale à 94%.
12. Dispositif de caractérisation d'une colonie microbienne, comprenant :
A. une caméra numérique configurée pour acquérir une image numérique de ladite colonie ; B. et une unité de traitement informatique connectée à ladite caméra pour recevoir l'image numérique de la colonie ; caractérisé en ce que la caméra numérique comprend:
A.1. un capteur d'image monochromatique apte à capter une lumière incidente dans la gamme de longueurs d'onde [390-900] nm;
A.2.un objectif apte à former une image sur ledit capteur dans ladite gamme;
A.3.un ensemble d'au plus dix filtres passe-bande optiques, chacun ayant une largeur de bande comprise dans la gamme [8-50]nm, chacun desdits filtres étant configuré pour être placé de manière amovible devant l'objectif de manière à acquérir une image numérique multispectrale de la colonie microbienne; en ce que l'ensemble d'au plus 10 filtres comprend:
A.3.1.un premier filtre centré sur une longueur d'onde de la gamme [415-440]nm;
A.3.2.des seconds filtres centrés respectivement sur différentes longueurs d'onde de la gamme de longueurs d'onde [390-900] nm et en ce que l'unité de traitement informatique est configurée pour identifier:
B.1.1e gram de l'espèce formant la colonie en fonction de l'image numérique de ladite colonie acquise au moyen du premier filtre ;
B.2. l'identité de l'espèce formant la colonie en fonction des images numériques acquises à l'aide des seconds filtres.
13. Dispositif selon l'une des revendications 10 à 12, caractérisé en ce qu'il est configuré pour mettre en œuvre un procédé selon l'une des revendications 1 à 10.
PCT/EP2024/068596 2023-07-03 2024-07-02 Procede et systeme d'identification de microorganismes sous forme de colonie Ceased WO2025008345A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202480045141.7A CN121443926A (zh) 2023-07-03 2024-07-02 用于鉴定呈菌落形式的微生物的方法和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP23183071.2 2023-07-03
EP23183071.2A EP4488658A1 (fr) 2023-07-03 2023-07-03 Procede et systeme d'identification de microorganismes sous forme de colonie

Publications (1)

Publication Number Publication Date
WO2025008345A1 true WO2025008345A1 (fr) 2025-01-09

Family

ID=87074798

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/068596 Ceased WO2025008345A1 (fr) 2023-07-03 2024-07-02 Procede et systeme d'identification de microorganismes sous forme de colonie

Country Status (3)

Country Link
EP (1) EP4488658A1 (fr)
CN (1) CN121443926A (fr)
WO (1) WO2025008345A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017216190A1 (fr) 2016-06-16 2017-12-21 bioMérieux Procédé et système d'identification du type de gram d'une bactérie
WO2019122734A1 (fr) * 2017-12-21 2019-06-27 bioMérieux Procede d'identification d'une levure ou d'une bacterie
WO2019122732A1 (fr) 2017-12-21 2019-06-27 bioMérieux Procede et systeme d'identification du type de gram d'une bacterie
US20230204500A1 (en) * 2021-12-27 2023-06-29 Zhejiang University Method and system for detecting staphylococcus aureus in chicken

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017216190A1 (fr) 2016-06-16 2017-12-21 bioMérieux Procédé et système d'identification du type de gram d'une bactérie
WO2019122734A1 (fr) * 2017-12-21 2019-06-27 bioMérieux Procede d'identification d'une levure ou d'une bacterie
WO2019122732A1 (fr) 2017-12-21 2019-06-27 bioMérieux Procede et systeme d'identification du type de gram d'une bacterie
US20230204500A1 (en) * 2021-12-27 2023-06-29 Zhejiang University Method and system for detecting staphylococcus aureus in chicken

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DE ARRIGONI ET AL.: "Hyperspectral image analysisfor rapid and accurate discrimination of bacterial infections: A benchmark study", COMPUTERS IN BIOLOGY AND MEDICINE, vol. 88, 2017, XP085171351, DOI: 10.1016/j.compbiomed.2017.06.018
FENG YAO-ZE ET AL: "Invasive weed optimization for optimizing one-agar-for-all classification of bacterial colonies based on hyperspectral imaging", SENSORS AND ACTUATORS B: CHEMICAL, ELSEVIER BV, NL, vol. 269, 3 May 2018 (2018-05-03), pages 264 - 270, XP085399889, ISSN: 0925-4005, DOI: 10.1016/J.SNB.2018.05.008 *
FENG, Y.Z: "Invasive weed optimization for optimizing one-agar-for-all classification of bacterial colonies based on hyperspectral imaging. ''?", SENSORS AND ACTUATORS B-CHEMICAL, vol. 269, 2018, pages 264 - 270, XP085399889, DOI: 10.1016/j.snb.2018.05.008
FOLCH-FORTUNY A ET AL: "VIS/NIR hyperspectral imaging and N-way PLS-DA models for detection of decay lesions in citrus fruits", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, ELSEVIER SCIENCE PUBLISHERS B.V. AMSTERDAM, NL, vol. 156, 12 May 2016 (2016-05-12), pages 241 - 248, XP029625702, ISSN: 0169-7439, DOI: 10.1016/J.CHEMOLAB.2016.05.005 *
GUILLEMOT MATHILDE ET AL: "Hyperspectral imaging for presumptive identification of bacterial colonies on solid chromogenic culture media", PROCEEDINGS OF SPIE; [PROCEEDINGS OF SPIE ISSN 0277-786X VOLUME 10524], SPIE, US, vol. 9887, 27 April 2016 (2016-04-27), pages 98873L - 98873L, XP060069290, ISBN: 978-1-5106-1533-5, DOI: 10.1117/12.2229761 *
YOON SEUNG-CHUL ET AL: "Automatic Counting and Classification of Bacterial Colonies Using Hyperspectral Imaging", FOOD AND BIOPROCESS TECHNOLOGY ; AN INTERNATIONAL JOURNAL, SPRINGER-VERLAG, NEW YORK, vol. 8, no. 10, 10 July 2015 (2015-07-10), pages 2047 - 2065, XP035532999, ISSN: 1935-5130, [retrieved on 20150710], DOI: 10.1007/S11947-015-1555-3 *

Also Published As

Publication number Publication date
CN121443926A (zh) 2026-01-30
EP4488658A1 (fr) 2025-01-08

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
US8787633B2 (en) System and method of organism identification
WO2019122732A1 (fr) Procede et systeme d'identification du type de gram d'une bacterie
WO2016151249A1 (fr) Procédé de détermination de l'état d'une cellule
EP4232946B1 (fr) Procédé de classification d'une séquence d'images d'entrée représentant une particule dans un échantillon au cours du temps
EP3234555A1 (fr) Système d'observation d'objets
WO2022084620A1 (fr) Procédé de classification d'une image d'entrée représentant une particule dans un échantillon
EP4488658A1 (fr) Procede et systeme d'identification de microorganismes sous forme de colonie
WO2023094775A1 (fr) Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien
WO2025196213A1 (fr) Procede et systeme de caracterisation de microorganismes contenus dans un échantillon complexe
Guillemot et al. Hyperspectral imaging for presumptive identification of bacterial colonies on solid chromogenic culture media
EP3722439B1 (fr) Procédé d'observation précoce de colonies de microorganismes
EP3982334A1 (fr) Procédé de caractérisation de microorganismes
Wang et al. Development of a dual-modal microscopic algae detection system integrating hyperspectral imaging and a U-Net convolutional neural network
WO2022084618A1 (fr) Procédé de classification d'une image d'entrée représentant une particule dans un échantillon
JP2018134039A (ja) 水中生物検出装置、水中生物検出システム及び水中生物検出方法
FR3034103A1 (fr) Procede de mesure de la concentration de microorganismes dans un liquide
WO2025247891A1 (fr) Procédé de détermination de la susceptibilité d'un microorganisme à un agent antimicrobien à partir d'une image spectrale
WO2026022384A1 (fr) Dispositif de détection de bactéries dans un échantillon
EP4621730A1 (fr) Procede et systeme de caracterisation de microorganismes contenus dans un echantillon complexe
Kleisner et al. Ultraviolet Umwelten: Exploring Semantic Organs Beyond the Visible Spectrum
FR3158560A1 (fr) Dispositif de détection de bactéries dans un échantillon
FR3160548A3 (fr) Système incluant des dispositifs et des algorithmes pour évaluer la santé du cuir chevelu et des cheveux
WO2022084617A1 (fr) Procédé de classification d'une image d'entrée représentant une particule dans un échantillon

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24740077

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024740077

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024740077

Country of ref document: EP

Effective date: 20260203