基于显微成像与深度学习的无标记病原体识别

快速且准确的病原体鉴定对于感染性疾病的临床管理至关重要，尤其是在脓毒症和重症呼吸道感染中；然而，标准临床工作流程仍然缓慢且资源消耗巨大。在本研究中，我们开发了一个基于标准、临床可及的明场显微镜的自动化高通量成像平台，并构建了一个大型数据集，包含六种重点病原体共计2490万个无标记细菌细胞。依托这一资源，我们训练了一个神经网络（ESKAPe-ResNet），用于在单细菌水平上识别ESKAPe物种。该模型在物种水平分类中实现了超过92%的准确率，在模拟混合样本中对ESKAPe丰度定量的准确率超过82%，且对非ESKAPe细菌表现出很高的特异性。在针对呼吸道感染和脓毒症患者痰液、支气管肺泡灌洗液和血液样本的临床验证中，该方法在经过最短时间的肉汤培养富集后，能够在超过78%的样本中正确识别优势ESKAPe病原体。从成像到鉴定的流程可在10分钟内完成；结合短时培养后，获得准确鉴定结果的中位时间缩短至5–6小时，而传统基于血培养的工作流程通常需要数天。该研究确立了无标记、低硬件依赖的快速病原体鉴定方法的概念验证，并提供了一种可临床部署的工作流程，以加速诊断并降低重症细菌感染的死亡率。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全解决方案。可能触发此拦截的行为有多种，包括提交某个特定单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当该页面出现时您正在进行的操作，并附上本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.22.733661v1?rss=1

🏷️ 无标记显微成像 深度学习 病原体识别 临床诊断 ESKAPe细菌