文章来源：剑桥大学官方网站
剑桥大学的研究人员表明，人工智能（AI）可用于识别耐药性感染，从而大大减少了正确诊断所需的时间。该团队表明，可以训练一种算法，仅从显微镜图像中正确识别耐药细菌。
抗微生物药物耐药性是一个日益严重的全球健康问题，这意味着许多感染变得难以治疗，可用的治疗选择越来越少。它甚至引发了一些感染在不久的将来变得无法治疗的幽灵。
医护人员面临的挑战之一是能够快速区分可以用一线药物治疗的生物体和对治疗有抵抗力的生物体。常规测试可能需要几天时间，需要培养细菌，测试各种抗菌处理，并由实验室技术人员或机器进行分析。这种延迟通常会导致患者接受不适当的药物治疗，这可能导致更严重的结果，并可能进一步推动耐药性。
在发表在《自然通讯》上的研究中，由剑桥大学Stephen Baker教授实验室的研究人员领导的一个团队开发了一种机器学习工具，能够从显微镜图像中识别出对一线抗生素环丙沙星具有耐药性的鼠伤寒沙门氏菌 - 即使没有测试细菌对药物的抵抗力。
鼠伤寒沙门氏菌在严重的情况下会引起胃肠道疾病和伤寒样疾病，其症状包括发烧、疲劳、头痛、恶心、腹痛、便秘或腹泻。在严重的情况下，它可能会危及生命。虽然感染可以用抗生素治疗，但细菌对许多抗生素的耐药性越来越强，使治疗更加复杂。
该团队使用高分辨率显微镜检查暴露于浓度增加的环丙沙星的鼠伤寒沙门氏菌分离株，并确定了区分耐药和易感分离株的五个最重要的成像特征。
然后，他们训练并测试了机器学习算法，以使用来自16个样本的成像数据来识别这些特征。
该算法能够在每种情况下正确预测细菌是否对环丙沙星敏感或耐药，而无需细菌暴露于药物。与在抗生素存在下培养样品通常需要 24 小时相比，仅培养 6 小时的分离株就是这种情况。
Tuan-Anh Tran博士在牛津大学攻读博士学位时从事这项研究，现在在剑桥大学工作，他说：“对环丙沙星具有耐药性的鼠伤寒链球菌与那些仍然对抗生素敏感的细菌有几个显着的区别。虽然专业的人类操作者可能能够识别其中的一些细菌，但仅靠它们本身还不足以自信地区分耐药细菌和易感细菌。”
机器学习模型的美妙之处在于，它可以根据显微镜图像上人眼无法检测到的一些细微特征来识别耐药细菌。
为了使用这种方法分析样本，仍然需要从样本中分离细菌，例如血液、尿液或粪便样本。然而，由于不需要对细菌进行环丙沙星测试，这意味着整个过程可以从几天减少到几个小时。
虽然这种特殊方法的实用性和成本效益存在局限性，但该团队表示，它原则上展示了人工智能在帮助对抗抗菌素耐药性方面的强大力量。
Sushmita Sridhar 博士在剑桥大学医学系攻读博士学位时发起了这个项目，现在是新墨西哥大学和哈佛大学公共卫生学院的博士后，他说：“鉴于这种方法使用单细胞分辨率成像，它还不是一个可以很容易地部署在任何地方的解决方案。"但它显示出真正的希望，通过捕获有关细菌形状和结构的几个参数，它可以为我们提供足够的信息来相对容易地预测耐药性。
该团队现在的目标是研究更大的细菌集合，以创建一个更强大的实验集，可以进一步加快鉴定过程，并使他们能够识别许多不同种类的细菌中对环丙沙星和其他抗生素的耐药性。
Sridhar补充说：“真正重要的是，特别是对于临床环境，能够采集复杂的样本 ,例如血液，尿液或痰液并直接从中识别敏感性和耐药性。"这是一个更复杂的问题，甚至在医院的临床诊断中也根本没有得到解决。如果我们能找到一种方法来做到这一点，我们就可以减少识别耐药性所需的时间，而且成本要低得多。这可能是真正的变革。
