内容形式：摘要译文
抗生素耐药性已成为全球日益严峻的问题。识别细菌种类有助于指导抗生素选择并改善患者预后。在脓毒症中，每一分钟都至关重要，因此快速识别尤为重要，也亟需新的方法。本研究训练了深度学习模型，从微流控捕获装置中生长细胞的无荧光标记相差延时图像识别细菌种类。我们此前的两项研究已使用实验室菌株验证了这一方法。本研究将此前的工作拓展至临床细菌分离株，并评估模型对训练期间未见分离株的识别性能。此外，我们还测试了自发荧光是否有助于细菌种类识别。两个验证集在独立于训练数据的实验中采集：第一个验证集包含五种细菌（大肠埃希菌、粪肠球菌、肺炎克雷伯菌、金黄色葡萄球菌和阴沟肠杆菌）的临床分离株捕获图像，采集间隔为两分钟；第二个验证集包含从加标供体血液中回收的两种细菌（大肠埃希菌和肺炎克雷伯菌）的临床分离株，采集间隔为一分钟。采用此前表现最佳的 CNN 方法进行训练，结果未达到满意水平。因此，我们进一步探索了视觉 Transformer，并针对预训练的 DINOv3 开发了一种采用冻结教师模型的自监督适配流程，随后利用延时拼图进行有监督分类。对于在 Mueller–Hinton 培养基中预培养的分离株，使用 60 帧（118 分钟）时，平均宏 F1 值为 93.6 {+/-} 1.3%；对于在血液中预培养的分离株，使用 55 帧（54 分钟）时，平均宏 F1 值为 87.2 {+/-} 2.7%（均值 {+/-} 不同训练随机种子间的样本标准差）。通过逐步增加……对模型性能随时间的变化进行了评估。
测试过程中模型可用的帧数，以及通过傅里叶域滤波模拟降低数值孔径的效果。结果令人鼓舞，表明在保持良好效果的同时可以减小孔径。然而，仍需在独立分离株、实验和患者样本上开展进一步评估，以验证模型的泛化能力。结合此前的研究发现，这些结果使我们离快速图像诊断更近了一步；此类诊断有望通过帮助更充分地选择抗生素，改变急性细菌感染的初始治疗方式。
关键词：细菌种类识别 · 视觉Transformer · 自监督学习 · 无标记成像 · 临床细菌分离株
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.09.757828v1?rss=1