AI显微成像：快速检测有害细菌

原创 长光所Light中心 中国光学

撰稿 | 鲜辉 （中科院物构所 博士）

今年在全球大爆发的新冠疫情成为我们每个人持续关注的焦点，这是一件席卷全球、规模空前、特别重大的公共卫生事件。就目前的形势来看，这次公共卫生问题或将持续很长一段时间。而除了类似今年这种突发的公共卫生事件，水源性传播疾病一直是全世界人民始终都要面临和应对的公共卫生问题。水源性传播疾病影响全世界超过20亿人，造成了巨大的经济负担。仅美国每年治疗水传播疾病的费用就超过20亿美元，每年记录在册的病例就有9000万例。

图源：istockphoto

在与水传播的病原体相关的问题中，最常见的公共卫生问题之一是饮用水中存在大肠菌群和大肠杆菌（E. coli），这表明水源受到了粪便的污染。那么，快速筛选大量复杂性的样品，尽早识别食物，水和体液中的致病细菌非常重要，但目前实现这一目标仍具有挑战性。

现有的基于板计数或分子分析的筛选方法均需要在检测时间、准确性/灵敏度、成本和样品制备复杂性等方面进行各种权衡。

目前，美国环境保护署（EPA）用于检测大肠杆菌和大肠菌群的标准分析方法：

首先是基于将获得的样品在固体琼脂平板或液体生长培养基中培养；

然后待细菌菌落长大到肉眼可见大小；

最后由专家进行视觉识别和计数。

该标准分析方法存在的问题：

1）速度慢，大约需要24-48 h；

2）需要专家读取和量化样品。

虽然使用液体生长培养基检测粪便大肠菌具有很高的灵敏度和特异性，但最终读数至少需要18小时。

固体琼脂平板的使用是一种相对更具成本效益的方法，可为要分析的样品体积提供灵活性，可以从100 mL到几升不等，以提高灵敏度。但是，这种传统的基于培养物的检测方法要求菌落生长到一定的肉眼可见的大小，对于细菌样品，通常需要24-48小时。

或者，基于核酸检测方法可以将测定时间减少到几个小时，但它们通常缺乏检测极低浓度细菌的能力且无法区分活微生物和死微生物。

为了克服该方法的缺点，人们研究开发了多种其他方法来检测水样中的总大肠菌和大肠杆菌。包括固相细胞计数法、基于液滴的微光学透镜阵列测量法、荧光法、发光法和荧光显微镜法等。

尽管这些方法提供了很高的灵敏度并节省了一些时间，但它们无法处理大样本量（例如≥100 mL）或无法对细菌菌落进行自动分类。因此，迫切需要开发一种自动化、高灵敏度、快速、高通量菌落检测和分类方法（例如在不到12小时内即可达到每100-1000 mL 1 CFU的检测灵敏度），从而为现有的EPA黄金标准分析方法提供一种可靠有力的替代方案。

近日，加州大学Aydogan Ozcan教授团队将相干显微成像与神经网络深度学习相结合开发了首个高灵敏、高精度、高时效、低成本的微生物在线监测AI系统平台——用于活微生物的在线智能识别和分类。

该系统可定期捕获直径为60毫米的琼脂平板内细菌生长的相干显微镜图像，并使用深度神经网络分析生长延时的全息图，实现快速检测细菌生长和相应物种细菌分类。

在水样中大肠杆菌和大肠菌群（即产气克雷伯氏菌和肺炎克雷伯菌）的检测实验中证明了该智能系统平台优越的活细菌监测能力：与美国环境保护署（EPA）批准的黄金分析方法（~24-48 h）相比，检测时间缩短了12小时以上。同时，在≤9 h总测试时间内实现了约1个菌落形成单位(CFU)/L的检测限（LOD）。

该成果以“Early detection and classification of live bacteria using time-lapse coherent imaging and deep learning”为题发表在Light: Science & Applications。

如图1所示，研究团队将两个不同的深度神经网络（DNN）搭载在具有延时摄影功能的相干成像平台上进行智能监测操作。

其中，第一个DNN用于尽早检测细菌生长，第二个DNN用于根据从孵育的琼脂平板的相干图像获得时空特征对生长细菌的类型进行分类。

在与培养箱集成的活细菌检测系统中，琼脂平板样品的无透镜全息图像由安装在平移台上的单色互补金属-氧化物-半导体（CMOS）图像传感器捕获。

该系统每30分钟可快速扫描两个单独琼脂平板（~56.52 cm2）的整个区域，并利用这些时间分辨的全息图像尽早准确地检测、分类和计数生长中的菌落。

该AI系统可以在87s内扫描直径小于60 mm的琼脂平板，图像分辨率小于4μm，从而可以对培养的样品进行高通量的定期监测；

它还能连续计算目标样品的差分图像，以便尽早准确地检测细菌的生长，同时利用深度学习不断分析板上每个非静态物体的时空特征，以得出细菌生长的计数并自动识别琼脂板不同部分上生长的细菌的类型。

图1 活微生物在线AI监测系统平台

图源：Light Sci Appl 9, 118 (2020) ( Fig.1)

进一步地，研究团队使用71个独立实验产生的约16,000个单个菌落建立、训练和验证了用于细菌生长检测和分类的神经网络。随后通过对三种细菌进行早期检测和分类的实验证明了该平台的有效性（图2）。

对大肠杆菌，产气克雷伯菌（K. aerogenes）和肺炎克雷伯菌（K. pneumoniae）三种细菌，实现了在总测试时间内≤9h内LOD约为~1 CFU/L的低检测极限。此外，与通常需要至少24小时才能获得结果的EPA黄金标准方法相比，节省了12h以上的检测时间。作者还量化了这三种不同物种的生长统计数据，并提供了每种细菌随时间的详细生长分析。

图2 在线AI监测系统平台有效性测试分析

图源：Light Sci Appl 9, 118 (2020) ( Fig.2, Figure S1, Figure S2, Fig. 3)

最后，作者用从未在训练阶段使用过的从15个独立实验中收集的965个单个菌落进行了盲实验测试（图3）。在盲实验中，训练有素的模型在6–9h内显示80％的检测灵敏度，在7–10h内90％的检测灵敏度，在12h内> 95％的检测灵敏度，同时保持~99.2–100％的精度。还可以在7.6–12h内正确识别所有三个物种的80％。此外，在分类网络特定物种的准确性方面，分别实现了对孵育12h内的大肠杆菌、产气链球菌和肺炎克雷伯菌~97.2％，~84.0％和~98.5％的分类精度。

图3 盲实验活细菌识别、分类的准确度和精度测试分析

图源：Light Sci Appl 9, 118 (2020) ( Fig.4, Fig. 8)）

上述这些结果证实了该系统平台巨大的改进甚至革新现有技术的潜力，该平台不仅可以高灵敏、快速且经济高效地检测活细菌（每次检测的成本为0.6美元，包括培养板）。

高通量的平板扫描速度（24cm2/min）使其非常适合与目前用于琼脂平板细菌检测的现有方法相整合。这种智能、经济高效的活细菌AI在线检测平台可通过显著减少检测时间并自动识别菌落而无需标记或人工识别，不仅有益于水和食品质量的监测，且为微生物学研究提供了一种强大的实用工具。

文章信息

Wang, H., Ceylan Koydemir, H., Qiu, Y. et al. Early detection and classification of live bacteria using time-lapse coherent imaging and deep learning. Light Sci Appl 9, 118 (2020)

论文下载

https://doi.org/10.1038/s41377-020-00358-9

【】

公众号时间轴改版，很多读者反馈没有看到更新的文章，据最新规则，建议：多次进“中国光学”公众号，阅读3-5篇文章，成为“常读”用户，就能及时收到了。

欢迎课题组投递成果宣传稿

转载/合作/课题组投稿，请加微信：447882024

是中国光学发布的第1406篇，如果你觉得有帮助，转发朋友圈是对我们最大的认可

【长春光机所·Light学术出版中心-期刊导航】

原标题：《AI显微成像：快速检测有害细菌》

阅读原文