基于机器学习辅助拉曼光谱快速准确识别 minimally prepared 细菌表型
机器学习
2022-06-29 v1 数据分析、统计与概率
光学
摘要
全球抗菌素耐药性(AMR)的上升对人类健康构成严重威胁。为避免AMR的传播,亟需能够快速可靠诊断以促进最优抗生素管理的工具。在这方面,拉曼光谱有望在单一步骤中实现快速、无标记且无需培养的鉴定与抗菌药敏试验(AST)。然而,尽管许多基于拉曼的细菌鉴定和AST研究已展示出令人印象深刻的成果,仍存在一些必须解决的不足。为弥合概念验证研究与临床应用之间的差距,我们开发了机器学习技术并结合一种新颖的数据增强算法,用于快速识别 minimally prepared 细菌表型以及耐甲氧西林(MR)与甲氧西林敏感(MS)细菌的区别。为此,我们针对细菌的高光谱拉曼图像实现了一种光谱 transformer 模型。我们表明,在众多分类问题上,无论在准确率还是训练时间方面,我们的模型均优于标准卷积神经网络模型。我们在包含15个不同类别的数据集上达到了超过96%的分类准确率,对六种MR-MS细菌物种达到了95.6%的分类准确率。更重要的是,我们的结果仅使用了快速且易于生成的训练和测试数据。
引用
@article{arxiv.2206.13933,
title = {Accurate and fast identification of minimally prepared bacteria phenotypes using Raman spectroscopy assisted by machine learning},
author = {Benjamin Lundquist Thomsen and Jesper B. Christensen and Olga Rodenko and Iskander Usenov and Rasmus Birkholm Grønnemose and Thomas Emil Andersen and Mikael Lassen},
journal= {arXiv preprint arXiv:2206.13933},
year = {2022}
}
备注
14 pages, 5 figures