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 15:25:59.907353
• 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:
• 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

• 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)
• 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)
• 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)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• 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)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• 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。