尿细菌对抗生素的敏感性的快速直接鉴定和确定制造技术

一种方法，包括：接收与从患有指定类型的感染性疾病的对应多个对象获得的多个体液样本中的每一个关联的光谱数据；接收鉴定与每个所述对象关联的一组疗法中的一个或多个疗法的响应参数的数据；在训练阶段，基于训练集合训练机器学习模型，该训练集合包括：(i)与所述多个体液样本中的每一个关联的光谱数据，以及(ii)与所述响应参数关联的标签；以及在推断阶段，将训练过的机器学习模型应用于与从目标对象获得的目标体液样本关联的目标光谱数据，以估测目标对象对该组指定疗法中的每个指定疗法的响应。法的响应。法的响应。

【技术实现步骤摘要】
【国外来华专利技术】尿细菌对抗生素的敏感性的快速直接鉴定和确定
[0001]相关申请的交叉参考
[0002]本申请要求2020年10月19日提交的题为“RAPID AND DIRECT IDENTIFICATION AND DETERMINATION OF URINE BACTERIAL SUSCEPTIBILITY TO ANTIBIOTICS”的美国临时申请号63/093,429的优先权权益，其内容其整体通过引用并入本文。


[0003]本专利技术涉及机器学习领域。

技术介绍

[0004]主要的人类细菌感染之一是尿路感染(UTI)，其主要(80％
‑
95％)由大肠杆菌(Escherichia(E.)coli)、肺炎克雷伯菌(Klebsiella pneumoniae)和铜绿假单胞菌(Pseudomonas aeruginosa)引起。抗生素被认为是细菌感染的最有效治疗。然而，大多数细菌已经对大多数常用的抗生素产生了抗性，造成难以治疗的感染。因此，确定感染细菌对抗生素的敏感性对于制定有效的治疗是至关重要的。已知的方法是耗时的，因为其需要约48小时来确定细菌敏感性。
[0005]因此，开发可以显著减少确定细菌对抗生素的敏感性所需的时间的新的目标方法非常重要。
[0006]相关技术的前述示例和其相关的限制意图是示例性而不是排他性的。在阅读说明书和研究附图后，相关技术的其它限制对于本领域技术人员将变得显而易见。

技术实现思路

[0007]以下实施方式及其方面结合系统、工具和方法来描述和示例，该系统、工具和方法意图是示例性和说明性的，而非限制范围。
[0008]在一个实施方式中提供了系统，该系统包括至少一个硬件处理器；以及非临时性计算机可读存储介质，其上存储有程序指令，所述程序指令可由所述至少一个硬件处理器执行以：接收与从患有指定类型的感染性疾病的对应多个对象获得的多个体液样本中的每一个关联的光谱数据，接收鉴定与每个所述对象关联的一组疗法中的一个或多个疗法的响应参数的数据，在训练(training)阶段基于训练集合(training set)训练机器学习模型，该训练集合包括：(i)与所述多个体液样本中的每个关联的光谱数据以及与所述响应参数关联的标签，以及在推断阶段，将训练过的机器学习模型应用于与从目标对象获得的目标体液样本关联的目标光谱数据，以估测目标对象对该组指定疗法中的每个指定疗法的响应。
[0009]在一个实施方式中还提供了方法，该方法包括：接收与从患有指定类型的感染性疾病的对应多个对象获得的多个体液样本中的每一个关联的光谱数据；接收鉴定与每个所述对象关联的一组疗法中的一个或多个疗法的响应参数的数据；在训练阶段，基于训练集合训练机器学习模型，该训练集合包括：(i)与所述多个体液样本中的每一个关联的光谱数
据，以及(ii)与所述响应参数关联的标签；以及在推断阶段，将训练过的机器学习模型应用于与从目标对象获得的目标体液样本关联的目标光谱数据，以估测目标对象对该组指定疗法中的每个指定疗法的响应。
[0010]在一个实施方式中进一步提供了计算机程序产品，该计算机程序产品包括具有包括于其中的程序指令的非临时性计算机可读存储介质，该程序指令可由至少一个硬件处理器执行以：接收与从患有指定类型的感染性疾病的对应多个对象获得的多个体液样本中的每一个关联的光谱数据；接收鉴定与每个所述对象关联的一组疗法中的一个或多个疗法的响应参数的数据；在训练阶段，基于训练集合训练机器学习模型，该训练集合包括：(i)与所述多个体液样本中的每一个关联的光谱数据，以及(ii)与所述响应参数关联的标签；以及在推断阶段，将训练过的机器学习模型应用于与从目标对象获得的目标体液样本关联的目标光谱数据，以估测目标对象对该组指定疗法中的每个指定疗法的响应。
[0011]在一些实施方式中，对于每个体液样本，从获得体液样本时起少于5小时获得光谱数据。
[0012]在一些实施方式中，所述多个体液样本和目标样本各自是尿液样本，并且指定类型的感染性疾病是尿路感染(UTI)。
[0013]在一些实施方式中，从得自每个体液样本的细菌获得光谱数据。
[0014]在一些实施方式中，光谱数据表示细菌中的红外(IR)吸收。
[0015]在一些实施方式中，光谱数据在600
‑
4000cm
‑1的波数范围内。
[0016]在一些实施方式中，该组疗法包括一种或多种抗生素。
[0017]在一些实施方式中，响应参数是下列中的一项：敏感性和抗性。
[0018]在一些实施方式中，体液包括下列中的一项：全血、血浆、血清、淋巴、尿液、唾液、精液、滑液和脊髓液之一。
[0019]在一些实施方式中，所述程序指令进一步可执行以进行，并且所述方法进一步包括进行，下列中的一项：关于光谱数据的特征操纵(feature manipulations)和维度减少(dimensionality reduction)。
[0020]在一些实施方式中，关于训练集合，用标签标记与所述多个体液样本中的每一个关联的光谱数据。
[0021]在一些实施方式中，训练集合进一步包括，关于至少一些对象，与临床数据关联的标签。
[0022]除了上述示例性方面和实施方式外，进一步的方面和实施方式通过参考附图和研究以下详细描述也将变得显而易见。
附图说明
[0023]图1是根据本公开的一些实施方式的用于训练机器学习模型以确定UTI患者的尿液样本中的感染细菌对抗生素的敏感性的过程中的功能步骤的流程图；
[0024]图2为大肠杆菌、肺炎克雷伯菌、铜绿假单胞菌等UTI细菌在900
‑
1800cm
‑1区域内的平均IR吸收光谱；
[0025]图3显示了20个不同隔离群(隔离株，isolates)的计算SNR。可见，SNR为～100，其是相对高的；
[0026]图4A显示了从相同样本的不同位置获得的一种大肠杆菌的隔离群在预处理后在900
‑
1800cm
‑1中的12个光谱；
[0027]图4B显示了相同隔离群的来自三个不同制备品(位点)的三个红外光谱的平均值；
[0028]图4C显示了相同隔离群的由相同位点在三个不同日测量的三个红外光谱的平均值；
[0029]图5显示了用于在大肠杆菌、肺炎克雷伯菌、铜绿假单胞菌和其它UTI细菌之间进行分类的分类器qSVM的受试者工作特性(receiver
‑
operating characteristic，ROC)曲线；
[0030]图6A
‑
6B展示了大肠杆菌在900
‑
1800cm
‑1区域中的平均二阶导数IR光谱，其被分组为对下列呈敏感性或抗性：阿莫西林(Amoxicillin)(面板a)、氨苄西林(面板c)、头孢他啶(面板e)和头孢曲松(面板g)；
[0031]图7A...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.系统，其包括：至少一个硬件处理器；和其上存储程序指令的非临时性计算机可读存储介质，所述程序指令能够被所述至少一个硬件处理器执行以：通过训练过的机器学习(ML)模型接收与从目标对象获得的目标体液样本关联的目标光谱数据，其中所述体液选自多个体液，每个体液与光谱数据关联；和基于接收的所述目标光谱数据和所述目标体液样本，估测所述目标对象对一组指定疗法中的每个指定疗法的响应。2.根据权利要求1所述的系统，其中所述训练过的ML模型通过以下产生：接收与所述多个体液中的每一个的样本关联的所述光谱数据，所述多个体液从患有指定类型的感染性疾病的对应多个对象获得，接收鉴定与每个所述对象关联的所述一组疗法中的一个或多个疗法的响应参数的数据，以及基于训练集合来训练机器学习模型，所述训练集合包括：(i)与所述多个体液样本中的每一个关联的所述光谱数据，以及(ii)与所述响应参数关联的标签。3.根据权利要求1或2中任一项所述的系统，其中，对于每个所述体液样本，所述光谱数据是自获得所述体液体样本时起短于5小时获得的。4.根据前述权利要求中任一项所述的系统，其中所述多个体液样本中的至少一个和所述目标样本均是尿液样本，并且所述指定类型的感染性疾病是尿路感染(UTI)。5.根据前述权利要求中任一项所述的系统，其中所述光谱数据是从得自每个所述体液样本的细菌获得的。6.根据权利要求5所述的系统，其中所述光谱数据表示所述细菌的红外(IR)吸收。7.根据前述权利要求中任一项所述的系统，其中所述光谱数据在600
‑
4000cm
‑1的波数范围内。8.根据前述权利要求中任一项所述的系统，其中所述一组指定疗法包括一种或多种抗生素。9.根据前述权利要求中任一项所述的系统，其中所述响应参数是下列中的一项：敏感性和抗性。10.根据前述权利要求中任一项所述的系统，其中所述体液包括下列中的一项：全血、血浆、血清、淋巴、尿液、唾液、精液、滑液和脊髓液。11.根据前述权利要求中任一项所述的系统，其中所述程序指令能进一步执行以进行下列中的一项：关于所述光谱数据的特征操纵和维度降低。12.根据权利要求2
‑
11中任一项所述的系统，其中，关于所述训练集合，用所述标签标记与所述多个体液样本中的每一个关联的所述光谱数据。13.根据权利要求2
‑
12中任一项所述的系统，其中所述训练集合还包括，关于至少一些所述对象，与临床数据关联的标签。14.方法，其包括：通过训练过的机器学习(ML)模型接收与从目标对象获得的目标体液样本关联的目标
光谱数据，其中所述体液选自多个体液，每个体液与光谱数据关联；以及基于接收的所述目标光谱数据和所述目标体液样本，估测所述目标对象对一组指定疗法中的每个指定疗法的响应。15.根据权利要求14所述的方法，其中所述训练过的ML模型通过以下产生：接收与所述多个体液中的每一个的样本关联的所述光谱数据，所述多个体液是从患有指定类型的感染性疾病的对应多个对象获得的，接收鉴定与每个所述对象关联的所述组指定疗法中的一个或多个的响应参数的数据，和基于训练集合来训练机器学习模型，所述训练集合包括：(i)与所述多个体液样本中的每一个关联的所述光谱数据，以及(ii)与所述响应参数关联的标签。16.根据权利要求14或15中任一项所述的方法，其中，对于每个所述体液样本，所述光谱数据是自获得所述体液样本时起短于5小时获得的。17.根据权利要求14
‑
16中任一项所述的方法，其中所述多个体液样本中的至少一个和所述目标样本均是尿液样本，并且所述指定类型的感染性疾病是尿路感染(UTI)。18.根据权利要求14
‑
17中任一项所述的方法，其中所述光谱数据是从得自每个所述体液样本的细菌获得的。19.根据权利要求18所述的方法，其中所述光谱数据表示所述细菌的红外(IR)吸收。20.根据权利要求14
‑
19中任一项所述的方法，其中所述光谱数据在600
‑<...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：萨米沙蒙工程学院特拉维夫阿菲卡工程学院，
类型：发明
国别省市：