使用循环神经网络的抗微生物易感性测试制造技术

经优化的测试方法用于确定用于样品的特定抗微生物剂的最低抑制浓度(MIC)。这可以包括对接种有样品并且含有多种浓度抗微生物剂的孔进行迭代成像。图像此后被处理以基于作为输入提供给机器学习模型的信息序列来标识MIC。MIC。MIC。

【技术实现步骤摘要】
【国外来华专利技术】使用循环神经网络的抗微生物易感性测试
[0001]相关申请
[0002]本申请与2020年11月19日在美国专利局提交的题为“Antimicrobic Susceptibility Testing Using Recurrent Neural Networks(使用循环神经网络的抗微生物易感性测试)”的临时专利申请63/115,768有关，并要求其权益。该申请的全部内容在此通过引用并入。

技术介绍

[0003]可以通过分析患者的微生物体(microorganism)或“微生物(microbe)”来进行与患者诊断和治疗相关的多种类型的测试。微生物是微观的活生物体，例如细菌、真菌或病毒，其可以是单细胞或多细胞的。含有患者的微生物体的生物样品可以取自患者的感染物、体液或脓肿，并且可以放置在测试板或阵列中，与多种试剂组合、孵育和分析以帮助患者的治疗。已经开发了自动生化分析仪以满足医疗保健机构和其他机构的需求，以便利于分析患者样品，并与使用手动操作的分析相比提高了测定结果的准确性和可靠性，并有助于确定多种抗微生物剂(antimicrobial)的有效性。抗微生物剂是杀伤微生物体或抑制其生长的试剂，例如用于针对细菌的抗生素和用于针对真菌的抗真菌剂。然而，随着不断变化的细菌属和新发现的抗微生物剂，对生化测试的需求在复杂性和体积二者上都有所提高。
[0004]一类重要的自动微生物分析仪作为用于确定感染性微生物体和有效控制该微生物体生长的抗微生物剂二者的特性的诊断工具而发挥作用。自动微生物分析仪作为用于确定感染性微生物体和有效控制该微生物体生长的抗微生物剂(antimicrobic)二者的特性的诊断工具而发挥作用。在进行诊断测试时，查明了从生物样品中分离的微生物体的标识和体外抗微生物易感性模式。这样的分析仪的常规形式可以将待测试的小样品放入包含经连续稀释的不同酶底物或抗微生物剂的板或阵列中的多个小样品测试孔中。微生物体的标识(identification，ID)测试和用于确定对该微生物体有效的抗微生物剂的最低抑制浓度(Minimum Inhibitory Concentration，MIC)的抗微生物易感性测试(antimicrobic susceptibility testing，AST)可以利用阵列中建立的样品测试孔中的颜色变化、荧光变化、浑浊程度(浊度)，或从该测试中得出的其他信息。AST和ID测量二者以及随后的分析都可以通过计算机控制的微生物分析仪进行，以提供可再现性、处理时间降低、避免转录错误以及实验室中运行的所有测试的标准化的优点。
[0005]在微生物体的ID测试中，首先制备称为接种物的患者微生物体样品的标准化稀释液，以提供具有预定已知浓度的细菌或细胞悬液。将该接种物置于多个测试孔中，所述测试孔可包含或随后提供有预定的测试培养基。取决于存在的微生物体的种类，该培养基将便利于孵育之后颜色、浊度、荧光或其他特征的变化。这些变化用于标识ID测试中的微生物体。
[0006]在AST测试中，多个测试孔填充有接种物和浓度逐步提高的许多不同抗微生物剂，例如抗生素。可以将不同抗微生物剂在生长培养基或液体培养基中稀释至包括临床感兴趣的浓度。孵育之后，在其中生长未被那些测试孔中的抗微生物剂抑制的情况下，测试孔中浊
度将提高或不变。通过相对于每种抗微生物剂浓度的生长的缺乏来测量每种抗微生物剂的MIC。因此，显示出生长缺乏的最低抗微生物剂浓度是MIC。
附图说明
[0007]尽管本说明书以特别指出并清楚地要求保护本专利技术的权利要求书作出结论，但认为通过结合附图的对某些示例的以下描述将更好地理解本专利技术，其中相同的附图标记表示相同的要素，并且其中：
[0008]图1A描绘了示例性生物测试系统的示意图的一部分；
[0009]图1B描绘了图1A的生物测试系统的示意图的另一部分；
[0010]图2描绘了图1B的生物测试系统的示例性培养箱系统和示例性光学系统的透视图；
[0011]图3描绘了图2的光学系统的透视图；
[0012]图4描绘了图2的光学系统的另一个透视图，其示出了光学系统的XY平台；
[0013]图5描绘了图2的光学系统的一部分的示意图；
[0014]图6描绘了示例性计算机系统的示意图；
[0015]图7描绘了微生物的理论生长曲线的图表；
[0016]图8描绘了用于图1A和图1B的生物测试系统的示例性生长测试孔的示意图；
[0017]图9描绘了用于图1A和图1B的生物测试系统的示例性图像分析循环；
[0018]图10描绘了由图2的光学系统捕获的示例性原始图像；
[0019]图11描绘了从图10的原始图像得出的示例性增强图像；
[0020]图12描绘了从图10的原始图像得出的示例性梯度图像；
[0021]图13描绘了示例性图像增强流程图；
[0022]图14描绘了示例性动态图像增强流程图；
[0023]图15描绘了从图10的原始图像得出的示例性分割图像；
[0024]图16描绘了示例性图像分割流程图；
[0025]图17描绘了本专利技术的示例性经优化的抗微生物易感性测试方法；
[0026]图18描绘了一些实施方式可用于将循环神经网络应用于MIC标识的任务的机器学习模型的示例性架构；
[0027]图19描绘了可用于识别特定生长模式的单个GRU；
[0028]图20描绘了示出GRU可执行的处理的流程图；以及
[0029]图21描绘了可用于训练模型以生成微生物体计数的架构。
[0030]附图并不旨在以任何方式进行限制，并且预期本专利技术的多种实施方式可以以多种其他方式进行，包括不一定在附图中描绘的方式。包含在说明书中并形成说明书一部分的附图示出了本专利技术的数个方面，并与说明书一起用于解释本专利技术的原理；然而，应理解，本专利技术不限于所示出的精确布置。

技术实现思路

[0031]本专利技术的多种方面和实施方式在本文所附的权利要求中列出。
[0032]在本专利技术的第一方面，提供了一种方法，其包括：(a)在多个测试孔中创建多个测
试混合物，其中：(i)来自所述多个测试混合物的每个测试混合物使用生物样品进行接种；(ii)来自所述多个测试混合物的每个测试混合物包括包含抗微生物剂的抗微生物剂溶液；(iii)在来自所述多个测试混合物的每个测试混合物中，该测试混合物中的所述抗微生物剂溶液与来自所述多个测试混合物的每个其他测试混合物中的所述抗微生物剂溶液不同；以及(iv)相同的生物样品被用来对来自所述多个测试混合物的每个测试混合物进行接种；(b)孵育所述测试混合物中的每一个；(c)对于来自所述多个测试混合物的每个测试混合物，在多个成像时间处捕获该测试混合物的图像，其中，所述成像时间中的每一个发生在孵育开始后；(d)通过执行以下步骤获得多个生长预测，所述步骤包括：对于来自所述多个测试混合物的每个测试混合物，向机器学习模型提供数据序列，其中：(i)所述数据序列包括多个输入项目；(本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：(a)在多个测试孔中创建多个测试混合物，其中：(i)来自所述多个测试混合物的每个测试混合物使用生物样品进行接种；(ii)来自所述多个测试混合物的每个测试混合物包括包含抗微生物剂的抗微生物剂溶液；(iii)在来自所述多个测试混合物的每个测试混合物中，该测试混合物中的所述抗微生物剂溶液与来自所述多个测试混合物的每个其他测试混合物中的所述抗微生物剂溶液不同；以及(iv)相同的生物样品被用来对来自所述多个测试混合物的每个测试混合物进行接种；(b)孵育所述测试混合物中的每一个；(c)对于来自所述多个测试混合物的每个测试混合物，在多个成像时间处捕获该测试混合物的图像，其中，所述成像时间中的每一个发生在孵育开始后；(d)通过执行以下步骤获得多个生长预测，所述步骤包括：对于来自所述多个测试混合物的每个测试混合物，向机器学习模型提供数据序列，其中：(i)所述数据序列包括多个输入项目；(ii)来自所述多个输入项目中的每个输入项目对应于来自所述多个成像时间的成像时间；以及(iii)所述机器学习模型适于识别并且基于时间序列进行生长预测；以及(e)基于所述多个生长预测生成对所述生物样品的最低抑制浓度MIC确定。2.根据权利要求1所述的方法，其中：(a)所述机器学习模型包括：(i)网络簇，其包括多个循环神经网络；和(ii)密集层，其包括前馈神经网络；(b)获得所述多个生长预测包括对于来自所述多个测试混合物的每个测试混合物：(i)将基于关于该测试混合物的数据序列的时间序列提供至来自所述多个循环神经网络的每个循环神经网络；(ii)从来自所述多个循环神经网络的每个循环神经网络获得对该测试混合物的中间生长预测；以及(iii)基于从所述循环神经网络获得的对该测试混合物的所述中间生长预测，从所述密集层获得对该测试混合物的生长预测。3.根据权利要求2所述的方法，其中：(a)所述机器学习模型适于接收与所述生物样品对应的微生物体的标识；以及(b)所述密集层适于对于每个测试混合物，基于所述微生物体的标识，对来自所述多个循环神经网络的对该测试混合物的所述中间生长预测进行加权。4.根据权利要求1至3中任一项所述的方法，其中，所述机器学习模型适于对于来自所述多个测试混合物的每个测试混合物，通过执行以下步骤基于关于该测试混合物的所述数据序列生成所述时间序列，所述步骤包括：(a)对于来自所述多个成像时间的每个成像时间，通过对与该成像时间对应的由关于该测试混合物的所述数据序列包括的所述输入项目应用以2为底的对数变换获得倍增值；
以及(b)对于除了与第一成像时间对应的所述倍增值之外的每个倍增值，通过减去与在前成像时间对应的倍增值来获得倍增值变化。5.根据权利要求2至4中任一项所述的方法，其中，所述多个循环神经网络包括16个循环神经网络。6.根据权利要求2至5中任一项所述的方法，其中，所述多个循环神经网络包括24个门控循环单元。7.根据权利要求1至6中任一项所述的方法，其中：(a)在来自所述多个测试混合物的每个测试混合物中，该测试混合物中的所述抗微生物剂溶液的相应抗微生物剂浓度不同于与来自所述多个测试混合物的所述其他测试混合物对应的所述抗微生物剂浓度；(b)所述多个生长预测包括，对于来自所述多个测试混合物的每个测试混合物，与该测试混合物对应的生长预测；以及(c)基于所述多个生长预测生成对所述生物样品的所述MIC确定包括确定与具有相应的无生长的生长预测的测试混合物对应的最低浓度作为所述MIC确定。8.根据权利要求1至7中任一项所述的方法，其中，所述多个测试混合物包括生长混合物，所述生长混合物中的相应抗微生物剂浓度为无抗微生物剂。9.一种生物测试系统，其包括处理器，所述处理器配置有计算机指令集，所述计算机指令集能够操作成在被执行时使所述系统执行方法，所述方法包括：(a)在多个测试孔中创建多个测试混合物，其中：(i)来自所述多个测试混合物的每个测试混合物使用生物样品进行接种；(ii)来自所述多个测试混合物的每个测试混合物包括包含抗微生物剂的抗微生物剂溶液；(iii)在来自所述多个测试混合物的每个测试混合物中，该测试混合物中的所述抗微生物剂溶液与来自所述多个测试混合物的每个其他测试混合物中的所述抗微生物剂溶液不同；以及(iv)相同的生物样品被用来对来自所述多个测试混合物的每个测试混合物进行接种；(b)孵育所述测试混合物中的每一个；(c)对于来自所述多个测试混合物的每个测试混合物，在多个成像时间处捕获该测试混合物的图像，其中，所述成像时间中的每一个发生在孵育开始后；(d)通过执行以下步骤获得多个生长预测，所述步骤包括：对于来自所述多个测试混合物的每个测试混合物，向机器学习模型提供数据序列，其中：(i)所述数据序列包括多个输入项目；(ii)来自所述多个输入项目中的每个输入项目对应于来自所述多个成像时间的成像时间；以及(iii)所述机器学习模型适于识别并且基于时间序列进行生长预测；以及(e)基于所述多个生长预测生成对所...

【专利技术属性】
技术研发人员：弗雷德里克，
申请(专利权)人：贝克曼库尔特有限公司，
类型：发明
国别省市：