ИИ может выявить устойчивую к лекарствам тифоидную инфекцию по микроскопическим изображениям за несколько часов

Исследователи из Кембриджа показали, что искусственный интеллект (ИИ) можно использовать для идентификации устойчивых к лекарствам инфекций, что значительно сокращает время постановки правильного диагноза. Команда установила, что алгоритм можно обучить правильно определять устойчивые к антибиотикам бактерии только по микроскопическим изображениям.

Одна из проблем — способность быстро отличить организмы, поддающиеся лечению препаратами первой линии, от устойчивых к лечению. Обычное тестирование может занимать несколько дней, требуя культивирования бактерий, тестирования против различных антимикробных препаратов и анализа лаборантом или машиной.

В исследовании, опубликованном в Nature Communications, команда из лаборатории профессора Стивена Бейкера в Кембриджском университете разработала инструмент машинного обучения, способный идентифицировать по микроскопическим изображениям бактерии Salmonella Typhimurium, устойчивые к антибиотику первой линии ципрофлоксацину, — даже без тестирования бактерий против препарата.

S. Typhimurium вызывает желудочно-кишечные заболевания, а в тяжелых случаях — тифоидное заболевание. Хотя инфекции можно лечить антибиотиками, бактерии становятся все более устойчивыми к ряду препаратов.

• Команда использовала микроскопию высокого разрешения для изучения изолятов S. Typhimurium, подвергнутых воздействию возрастающих концентраций ципрофлоксацина, и определила пять наиболее важных визуальных признаков для различения устойчивых и чувствительных изолятов.
• Затем они обучили и протестировали алгоритм машинного обучения на распознавании этих признаков с использованием данных визуализации 16 образцов.
• Алгоритм смог правильно предсказать в каждом случае, являются ли бактерии чувствительными или устойчивыми к ципрофлоксацину, без необходимости подвергать бактерии воздействию препарата. Это работало для изолятов, культивированных всего шесть часов, по сравнению с обычными 24 часами для культивирования образца в присутствии антибиотика.

Доктор Туан-Ань Чан: «Красота модели машинного обучения в том, что она может идентифицировать устойчивые бактерии на основе нескольких тонких особенностей на микроскопических изображениях, которые человеческий глаз не может обнаружить».

Для анализа образца этим методом все еще необходимо выделить бактерии из пробы (например, крови, мочи или стула). Однако, поскольку бактерии не нужно тестировать против ципрофлоксацина, весь процесс можно сократить с нескольких дней до нескольких часов.

Доктор Сушмита Шридхар: «Учитывая, что этот подход использует визуализацию с разрешением на уровне одной клетки, это еще не решение, которое можно было бы легко развернуть повсеместно. Но он показывает реальные перспективы: захватив всего несколько параметров о форме и структуре бактерий, можно получить достаточно информации для относительно простого прогнозирования устойчивости к препарату».

Команда теперь планирует работать с более крупными коллекциями бактерий, чтобы создать более надежную экспериментальную базу. Это может еще больше ускорить процесс идентификации и позволит определять устойчивость к ципрофлоксацину и другим антибиотикам у ряда различных видов бактерий.

Шридхар добавила: «Особенно важно для клинической практики — иметь возможность взять сложный образец (например, кровь, мочу или мокроту) и определить чувствительность и устойчивость непосредственно из него. Это гораздо более сложная проблема. Если бы мы могли найти способ сделать это, мы бы сократили время идентификации устойчивости и значительно снизили стоимость. Это могло бы быть по-настоящему преобразующим».