論文の概要: AI-Driven Rapid Identification of Bacterial and Fungal Pathogens in Blood Smears of Septic Patients

• arxiv url: http://arxiv.org/abs/2503.14542v1
• Date: Mon, 17 Mar 2025 15:02:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 17:45:40.790971
• Title: AI-Driven Rapid Identification of Bacterial and Fungal Pathogens in Blood Smears of Septic Patients
• Title（参考訳）: 敗血症患者における血液中細菌および真菌病原体のAIによる迅速同定
• Authors: Agnieszka Sroka-Oleksiak, Adam Pardyl, Dawid Rymarczyk, Aldona Olechowska-Jarząb, Katarzyna Biegun-Drożdż, Dorota Ochońska, Michał Wronka, Adriana Borowa, Tomasz Gosiewski, Miłosz Adamczyk, Henryk Telega, Bartosz Zieliński, Monika Brzychczy-Włoch,
• Abstract要約: 従来の微生物学的手法は時間がかかり高価である。 深層学習アルゴリズムを用いて14種の細菌と3種の酵母様菌を同定した。 The highest value were obtained for Cutibacterium acnes, Enterococcus faecium, Stenotrophomonas maltophilia and Nakaseomyces glabratus。
• 参考スコア（独自算出の注目度）: 2.133548274152191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis is a life-threatening condition which requires rapid diagnosis and treatment. Traditional microbiological methods are time-consuming and expensive. In response to these challenges, deep learning algorithms were developed to identify 14 bacteria species and 3 yeast-like fungi from microscopic images of Gram-stained smears of positive blood samples from sepsis patients. A total of 16,637 Gram-stained microscopic images were used in the study. The analysis used the Cellpose 3 model for segmentation and Attention-based Deep Multiple Instance Learning for classification. Our model achieved an accuracy of 77.15% for bacteria and 71.39% for fungi, with ROC AUC of 0.97 and 0.88, respectively. The highest values, reaching up to 96.2%, were obtained for Cutibacterium acnes, Enterococcus faecium, Stenotrophomonas maltophilia and Nakaseomyces glabratus. Classification difficulties were observed in closely related species, such as Staphylococcus hominis and Staphylococcus haemolyticus, due to morphological similarity, and within Candida albicans due to high morphotic diversity. The study confirms the potential of our model for microbial classification, but it also indicates the need for further optimisation and expansion of the training data set. In the future, this technology could support microbial diagnosis, reducing diagnostic time and improving the effectiveness of sepsis treatment due to its simplicity and accessibility. Part of the results presented in this publication was covered by a patent application at the European Patent Office EP24461637.1 "A computer implemented method for identifying a microorganism in a blood and a data processing system therefor".
• Abstract（参考訳）: セプシス(Sepsis)は、急激な診断と治療を必要とする生命を脅かす疾患である。 従来の微生物学的手法は時間がかかり高価である。 これらの課題に対応するため、深層学習アルゴリズムが開発され、敗血症患者の陽性血液サンプルのグラム染色スミアの顕微鏡画像から14種の細菌種と3種の酵母様菌を同定した。 この研究では、計16,637枚のグラム染色された顕微鏡画像が使用された。 この分析では、セグメンテーションにCellpose 3モデル、分類にDeep Multiple Instance Learningを使用した。 菌類は77.15%,菌類は71.39%, ROC AUCは0.97, 0.88であった。 最高値は96.2%に達し、Cutibacterium acnes、Enterococcus faecium、Stenotrophomonas maltophilia、Nakaseomyces glabratusで得られた。 Staphylococcus hominis や Staphylococcus haemolyticus などの近縁種では形態学的類似性により分類困難がみられ,Candida albicans では形態学的多様性が高い。 本研究は,微生物分類モデルの可能性を確認するとともに,トレーニングデータセットのさらなる最適化と拡張の必要性も示す。 将来、この技術は、微生物診断をサポートし、診断時間を短縮し、その単純さとアクセシビリティによる敗血症治療の有効性を向上させることができる。 この論文で発表された結果の一部は、欧州特許庁 EP24461637.1 の特許出願によってカバーされた。

関連論文リスト

• Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset [44.948939549346676]
  白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。 医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けている。 大規模WBCデータセットと,その属性を用いてWBCを検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-03T14:04:02Z)
• Pan-infection Foundation Framework Enables Multiple Pathogen Prediction [6.4302271133357145]
  ここでは,13か国,21か国,89の血液トランスクリプトームデータセットから11,247のサンプルを含む,最大規模の宿主応答型トランススクリプトームデータをキュレートする。 本研究は, パン感染データセットに基づいて, ファンデーションとしてのパン感染モデル(AUC = 0.97)から始まる病原体予測のための診断モデルを構築した。 この「教師」モデルからの知見を、黄色ブドウ球菌感染症(AUC = 0.99)、溶血球菌感染症(AUC = 0.94)、HIV感染症(AUC = 0.93)、RSV感染症(AUC = 0.93)の4つの軽量病原体「学生」モデルに効率的に伝達するために、知識蒸留を利用する。
  論文  参考訳（メタデータ） (2024-12-31T14:34:53Z)
• Classification of Keratitis from Eye Corneal Photographs using Deep Learning [2.5633724723473352]
  角膜炎は、低所得国と中所得国(LMIC)の視覚障害の10%を占める炎症性角膜疾患である 本研究では,感染源を診断するための異なる深層学習手法について検討し,比較した。 我々は,Multitask V2において,0.7413-0.7740(バクテリア),0.8395-0.8725(ファンギ),0.9448-0.9616(アメーバ)のレシーバ動作特性曲線 (AUROC) の信頼区間で最高の結果を得た。
  論文  参考訳（メタデータ） (2024-11-13T10:58:39Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Deep-Ace: LSTM-based Prokaryotic Lysine Acetylation Site Predictor [10.293190253043049]
  リジン残基 (K-Ace) のアセチレーションは、原核生物と真核生物の両方で起こる翻訳後修飾である。 本稿では,Long-Short-Term-Memory(LSTM)ネットワークを用いたディープラーニングベースのフレームワークであるDeep-Aceを提案する。 提案手法は, 8種の細菌に対して, 0.80, 0.79, 0.71, 0.75, 0.80, 0.83, 0.756, 0.82 の精度で既存の技術モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-13T19:10:57Z)
• Multimodal Analysis of White Blood Cell Differentiation in Acute Myeloid Leukemia Patients using a β-Variational Autoencoder [38.13262557169157]
  形態学的および転写学的データを探索・再構成する教師なし手法を提案する。 本手法は,カスタマイズされた損失関数を持つβ変分オートエンコーダ(ss-VAE)に基づく。 バイオメディシンと診断のための白血球成熟の理解を改善するためのユニークなツールを提供する。
  論文  参考訳（メタデータ） (2024-08-13T08:24:52Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Differentiating Viral and Bacterial Infections: A Machine Learning Model Based on Routine Blood Test Values [0.0]
  Virus vs.bacteriuma"モデルは、機械学習を活用して感染管理を最適化し、高度な診断ツールの道を開く。 このモデルは精度82.2 %、感度79.7 %、特異度84.5 %、ブライアスコア0.129、ROC曲線0.905の領域を達成し、CRPベースの決定規則を上回った。
  論文  参考訳（メタデータ） (2023-05-13T09:18:51Z)
• Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained Microscopic Images from DIBaS Dataset [2.0225826789157404]
  深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。 ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
  論文  参考訳（メタデータ） (2022-08-23T05:18:19Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Early-detection and classification of live bacteria using time-lapse coherent imaging and deep learning [0.5374144381476773]
  計算生菌検出システムは、60mmの寒天板内の細菌成長のコヒーレント顕微鏡画像を定期的にキャプチャする。 システムは、深層ニューラルネットワークを用いてこれらの時間経過ホログラムを分析し、細菌の成長を迅速に検出し、対応する種の分類を行う。
  論文  参考訳（メタデータ） (2020-01-29T05:39:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。