剑桥大学的研究人员表示，人工智能(AI)可以用来识别耐药感染，大大减少正确诊断所需的时间。该团队确定，可以训练一种算法，仅从显微镜图像就能正确识别耐药细菌。

抗微生物药物耐药性是一个日益严重的全球卫生问题，这意味着许多感染正变得难以治疗，可用的治疗选择越来越少。它甚至引发了在不久的将来某些感染变得无法治愈的恐惧。

卫生保健工作者面临的挑战之一是迅速区分可以用一线药物治疗的生物体和对治疗有耐药性的生物体的能力。传统的检测可能需要几天的时间，需要培养细菌，对各种抗菌处理进行测试，并由实验室技术人员或机器进行分析。这种延误往往导致患者接受不适当的药物治疗，这可能导致更严重的后果，并可能进一步推动耐药性。

在发表在《自然通讯》上的一项研究中，由剑桥大学斯蒂芬·贝克教授实验室的研究人员领导的一个团队开发了一种机器学习工具，能够从显微镜图像中识别对一线抗生素环丙沙星具有耐药性的鼠伤寒沙门氏菌——即使没有测试细菌对药物的抗性。

鼠伤寒沙门氏菌严重时可引起胃肠道疾病和类似伤寒的疾病，其症状包括发烧、疲劳、头痛、恶心、腹痛、便秘或腹泻。在严重的情况下，它可能危及生命。虽然感染可以用抗生素治疗，但细菌对许多抗生素的耐药性越来越强，使治疗变得更加复杂。

该研究小组使用高分辨率显微镜检查暴露于环丙沙星浓度增加的鼠伤寒沙门氏菌分离株，并确定了区分耐药和敏感分离株的五个最重要的成像特征。

然后，他们训练并测试了机器学习算法，使用来自16个样本的成像数据来识别这些特征。

该算法能够在每种情况下正确预测细菌是否对环丙沙星敏感或耐药，而无需将细菌暴露于药物中。这是只培养了6小时的分离株的情况，而在抗生素存在的情况下，通常需要培养24小时。

Tran Tuan-Anh博士在牛津大学攻读博士学位时参与了这项研究，目前在剑桥大学工作，他说:“对环丙沙星有抗药性的鼠伤寒沙门氏菌与那些对抗生素敏感的细菌有几个显著的不同。虽然专业的人类操作员可能能够识别其中的一些，但仅凭他们自己的能力还不足以自信地区分耐药和易感细菌。

“机器学习模型的美妙之处在于，它可以根据肉眼无法检测到的显微镜图像上的一些细微特征来识别耐药细菌。”

为了用这种方法分析样本，仍然需要从样本(例如血液、尿液或粪便样本)中分离细菌。然而，由于细菌不需要对环丙沙星进行测试，这意味着整个过程可以从几天减少到几小时。

虽然这种特殊方法的实用性和成本效益存在局限性，但该团队表示，它原则上证明了人工智能在帮助对抗抗菌素耐药性方面的强大作用。

Sushmita Sridhar博士在剑桥大学医学系攻读博士学位时发起了这个项目，现在是新墨西哥大学和哈佛大学公共卫生学院的博士后，他说:“考虑到这种方法使用的是单细胞分辨率成像，它还不是一个可以随时部署到任何地方的解决方案。

“但它显示出真正的希望，通过捕获有关细菌形状和结构的几个参数，它可以为我们提供足够的信息，相对容易地预测耐药性。”

斯里达尔补充说:“真正重要的是，特别是在临床环境中，能够采集复杂的样本，例如血液、尿液或痰，并直接从中识别易感性和耐药性。这是一个更复杂的问题，甚至在医院的临床诊断中也没有得到解决。

“如果我们能找到这样做的方法，我们就能以更低的成本减少识别耐药性所需的时间。这可能是真正的变革。”