По словам микробиологов из Beth Israel Deaconess Medical Center (BIDMC), микроскопы, усиленные искусственным интеллектом (ИИ), могут помочь клиническим микробиологам диагностировать потенциально смертельные инфекции крови и повысить шансы пациентов на выживание. В статье, опубликованной в Журнале клинической микробиологии, ученые продемонстрировали, что автоматизированная система микроскопа с улучшенным ИИ "очень искусный" для быстрой и точной идентификации изображений бактерий. Автоматизированная система может помочь уменьшить текущую нехватку высококвалифицированных микробиологов, которая, как ожидается, ухудшится, когда 20 процентов технологов достигнут пенсионного возраста в следующие пять лет.
"Это первая демонстрация машинного обучения в области диагностики," сказал старший автор Джеймс Кирби, доктор медицины, директор лаборатории клинической микробиологии BIDMC и доцент кафедры патологии Гарвардской медицинской школы. "Мы считаем, что при дальнейшем развитии эта технология может лечь в основу будущей диагностической платформы, которая расширит возможности клинических лабораторий и, в конечном итоге, ускорит оказание помощи пациентам."
Команда Кирби использовала автоматический микроскоп, предназначенный для сбора данных изображения с высоким разрешением со слайдов микроскопа. В этом случае образцы крови, взятые у пациентов с подозрением на инфекцию кровотока, инкубировали для увеличения числа бактерий. Затем готовили предметные стекла, помещая каплю крови на предметное стекло и окрашивая красителем, чтобы структуры бактериальных клеток были более заметными.
Затем они обучили сверточную нейронную сеть (CNN) – класс искусственного интеллекта, смоделированный на основе зрительной коры головного мозга млекопитающих и используемый для анализа визуальных данных – для классификации бактерий на основе их формы и распределения. Эти характеристики были выбраны для представления бактерий, которые наиболее часто вызывают инфекции кровотока; палочковидные бактерии, включая E. coli; круглые скопления видов Staphylococcus; и пары или цепочки видов Streptococcus.
"Как и в детстве, система нуждалась в обучении," сказал Кирби. "Чтобы научиться распознавать бактерии, нужно много практиковаться, делать ошибки и извлекать уроки из этих ошибок."
Чтобы обучить его, ученые скармливали своей необразованной нейронной сети более 25000 изображений образцов крови, полученных во время рутинных клинических обследований. Обрезав эти изображения, на которых бактерии уже были идентифицированы клиническими микробиологами, исследователи создали более 100000 обучающих изображений. Машинный интеллект научился сортировать изображения по трем категориям бактерий (палочковидные, круглые скопления и круглые цепи или пары), в конечном итоге достигнув почти 95-процентной точности.
Затем команда бросила вызов алгоритму для сортировки новых изображений из 189 слайдов без вмешательства человека. В целом алгоритм достиг точности более 93% во всех трех категориях. Кирби и его коллеги предполагают, что при дальнейшем развитии и обучении платформу с улучшенным ИИ можно будет использовать в качестве полностью автоматизированной системы классификации в будущем.
Между тем Кирби предполагает, что автоматическая классификация может уменьшить нехватку специалистов-технологов, помогая им работать более эффективно, "возможно сокращение времени чтения технолога с минут до секунд," он сказал.
Хотя специалисты-технологи обычно ставят высокоточные диагнозы, спрос на этих высококвалифицированных работников превышает предложение в Соединенных Штатах. Согласно опросу, проведенному в 2014 году Американским обществом клинической патологии, девять процентов лабораторных технологов остаются незаполненными, и ожидается, что это число резко возрастет, поскольку технологи поколения бэби-бумеров начинают массово уходить на пенсию.
Более того, эти изображения можно отправлять удаленно, обеспечивая высочайший уровень знаний в любом месте, где есть доступ к Интернету. Это очень важно, поскольку быстрое выявление и доставка антибиотиков является ключом к лечению инфекций кровотока, которые могут убить до 40 процентов пациентов, у которых они развиваются. Каждый день, когда пациент остается без лечения, связан с повышенным риском смерти.
Кирби отметил, что помимо клинического применения новый инструмент может также найти применение в обучении и исследованиях в области микробиологии.
"Инструмент становится живым хранилищем данных, когда мы его используем," он сказал. "И может быть использован для обучения нового персонала и обеспечения компетентности. Он может обеспечить беспрецедентный уровень детализации как инструмент исследования."