立即注册找回密码

QQ登录

只需一步,快速开始1111

微信登录

微信扫一扫,快速登录

手机动态码快速登录

手机号快速注册登录

小桔灯网

小桔灯网 门户 资讯中心 医学关注 查看内容

人工智能和机器学习在传染病检测中的应用进展

2022-1-24 14:57| 编辑: 归去来兮| 查看: 1112| 评论: 0|来源: 小桔灯网 | 作者:动力彩虹

摘要: 导语传染病检测是检验医学中技术最多样化的领域之一。传染病检测已从简单的显微镜观察和微生物培养发展到现代技术,从免疫分析(如病原体检测、血清学)和MALDI–TOF–MS,到分子诊断(图1)(1–3)。在某些情况下 ...


导语

传染病检测是检验医学中技术最多样化的领域之一。传染病检测已从简单的显微镜观察和微生物培养发展到现代技术,从免疫分析(如病原体检测、血清学)和MALDI–TOF–MS,到分子诊断(图1)(1–3)。在某些情况下,甚至可以结合联用多个测试(比如血培养,MALDI–TOF–MS,以及抗菌药物敏感性试验)来产生最终结果和诊断。


在21世纪,传染病检测极大地利用了信息技术。实验室和医疗点(POC)平台都可以将结果快速传输到电子病历(EMR)系统,以集成其他数据流(例如,生命监护仪、成像系统、家庭测试设备),帮助医生确定最佳行动方案。通过将所有医疗数据存储在EMR中,希望临床决策将变得更加高效。不幸的是,医疗数据的数字化对于医生来说已经造成了“信息过载”状态,导至数据被无意中忽略、误解和/或潜在地掩盖其临床意义。


近日,UC Davis的研究团队在Clinical chemistry上发表了一篇名为“Evolving Applications of Artificial Intelligence and Machine Learning in Infectious Diseases Testing”的综述文章,文章指出AI/ML在脓毒症管理中的应用突出了该技术在挖掘EMR数据和促进临床行动方面的威力,与传统方法相比,该技术具有更好的敏感性和特异性。除此之外,机器学习同样显示了在2019冠状病毒疾病、病毒、疟疾、莱姆病和肺结核等传染病应用的前景。



文章发表于Clinical Chemistry


主要内容


1

传染病检测技术

文章展示了用于传染病检测的四种常用技术。包括免疫分析(CMIA,ELISA, Lateral flow assays),微生物培养(AST,血培养,革兰氏染色),质谱(MALDI–TOF–MS)和分子诊断(PCRM, LAMP)。


实验室和医疗点(POC)平台都可以将结果快速传输到电子病历(EMR)系统,以集成其他数据流(例如,生命监护仪、成像系统、家庭测试设备),帮助医生确定最佳行动方案。通过将所有医疗数据存储在EMR中,期望临床决策将变得更加高效。不幸的是,医疗数据的数字化对于医生来说已经造成了“信息过载”状态,导至数据被无意中忽略、误解和/或潜在地掩盖其临床意义。



用于传染病检测的四种常用技术,测试平台和常见感染目标的示例。图片来源:Clinical Chemistry


2

机器学习在传染病检测中的应用--实验室诊断

COVID-19:

2019冠状病毒疾病导至美国分子测试的大量需求。在大流行初期,分子检测的能力不可持续,影响了美国控制冠状病毒感染传播的反应。2019冠状病毒疾病的无症状传播进一步增加了对分子检测的需求。使用MALDI–TOF–MS的替代测试方法作为一种低成本、快速和高通量的解决方案,以缓解对分子检测的需求。简单地说,MALDI–TOF–MS检测呼吸样本(如前鼻孔拭子)中的可电离蛋白质,每个样本产生数百甚至数千个质谱峰。AI/ML的使用提供了冠状病毒疾病特异性的MALDI -TOF -MS谱。最近的研究使用神经网络方法分析MALDI–TOF–MS光谱,其灵敏度和特异性分别达到100%和96%,(ROC)曲线下的面积为0.99。


抗菌药物敏感性试验(AST):

抗生素耐药性是世界卫生组织确定的全球十大公共卫生威胁之一。抗生素治疗的不当使用助长了现有耐药微生物的持续存在和多重耐药菌株的发展。目前,耐药微生物的检测依赖于体外微量稀释AST或分子方法。微量稀释AST涉及将已知浓度的培养微生物暴露于抗菌素中,以确定最小抑制浓度。分子方法以特定基因为目标,快速确定基因型耐药性,而不是确定体外对抗菌药物的敏感性。


在MALDI–TOF–MS技术中已经报告了AST的AI/ML应用。对于MALDI–TOF–MS,ML(例如,神经网络、SVM、RF、k-NN)用于分析来自培养细菌的可电离蛋白质(主要是核糖体蛋白质)的光谱。在一项研究中,SVM用于区分耐甲氧西林金黄色葡萄球菌和对甲氧西林敏感的金黄色葡萄球菌,准确率为85%。在另一项研究中,使用5种不同的ML算法(k-NN、RF、SVM、naıve Bayes和logistic regression)来通过MALDI–TOF–MS光谱识别碳青霉烯类抗生素耐药和敏感肺炎克雷伯菌,准确率超过93%。


疟疾:

由于病原体的独特性质,检测疟原虫仍然具有挑战性。涂片的显微镜检查需要有经验的人员。快速抗原检测可用,但可能无法检测或容易区分疟原虫亚种。机器学习技术已被提出用于显微镜下分析血液涂片,包括通过基于智能手机的应用程序的分析。在一项使用神经网络,SVM和k-NN方法的研究中,研究人员能够使用基于智能手机的图像软件生成灵敏度和特异性分别高达99.5%和99.1%,准确率为99.2%的模型。


莱姆病:

莱姆病是北美和欧洲最常见的媒介传染病。及时诊断是防止病情发展的必要条件,尤其是如果错过了早期的疾病表现。然而,目前的莱姆病检测对早期患者的敏感性较差(<50%)。一个小组提出了一种多重POC血清诊断试验。使用ML分析抗原OspC、BmpA、P41、ErpD、Crasp1、OspA、DbpB、VlsE、P35和Mod-C6结果以改善临床表现,报告的敏感性为90.5%,特异性为87.0%。


3

机器学习在传染病检测中的应用--临床预后

乙型肝炎病毒感染

乙型肝炎病毒已导至全球超过2.5亿慢性感染者。目前,乙型肝炎表面抗原乙型肝炎核心抗原是预测病毒学复发的主要生物标志物。不幸的是,这些方法仍然表现出较差的性能。Supervised ML方法已用于使用可溶性免疫标记物图谱预测早期病毒学复发。使用白细胞介素-2、单核细胞诱导的干扰素-γ、干细胞因子和肿瘤坏死因子相关的凋亡诱导配体的最佳ML模型对停止治疗后的早期病毒学复发产生了最高的预测值。


HCV感染

血清学和分子生物学方法仍然是HCV的筛选金标准。然而,预测慢性丙型肝炎病毒感染进展,已被证明具有挑战性。在一项研究中,SVM被用于分析HCV基因组,以确定哪些患者可以产生持续的病毒应答,准确率为95.4%。另一项研究采用longitudinal ML模型,结合实验室数据(即白蛋白、血小板、天冬氨酸转氨酶、丙氨酸转氨酶、碱性磷酸酶、甲胎蛋白)和现有评分(即MELD、Ishak)数据预测慢性HCV感染进展。预测纤维化进展的最佳RF模型的ROC曲线下面积为0.79,而预测临床进展的模型的ROC曲线下面积为0.86。


4

机器学习在传染病检测中的应用--临床诊断

脑膜炎

病毒性脑膜炎与细菌性脑膜炎的鉴别已通过分子平台得到加强。不幸的是,分子检测仍然依赖于侵入性收集脑脊液(CSF)。更传统的检测包括脑脊液革兰氏染色和脑脊液白细胞、葡萄糖和蛋白质浓度的测量可以提供快速的结果,却并不总是敏感或特异的。一项研究描述了一种基于神经网络的方法检测脑膜炎,该方法基于6个特征,包括淋巴细胞计数、血糖和年龄,准确率为86.3%。第二项研究报告使用naıve Bayes、神经网络和遗传编程技术,以年龄、种族、性别、白细胞、血糖、脑脊液葡萄糖/蛋白质/白细胞(如有)为特征,提高了检测效率。Naıve Bayes和神经网络技术的敏感性/特异性分别为98%/98%和99%/100%。


脓毒症

脓毒症被定义为由于宿主对感染反应失调而导至的危及生命的器官功能障碍。脓毒症的早期识别对生存至关重要。不幸的是,识别败血症的参数并不总是敏感或特异的。


由于EMR系统作为数据的中央存储库,AI/ML和统计算法的使用已被用于预测脓毒症。据报道,使用15个特征时,ROC曲线下面积为0.94的统计(非AI/ML)算法的敏感性和特异性为87%(即年龄、性别、血压、心率、体温、血氧饱和度、RR、白细胞计数、微生物培养结果、乳酸、高敏C反应蛋白、降钙素原、动脉血气、血管升压药的使用和抗生素的使用)。AI/ML在脓毒症中的应用提高了预测性能,包括其在更具挑战性的人群中的应用,如烧伤患者。使用心率、体温、血红蛋白、血尿素氮和总二氧化碳作为k-NN特征,观察到预测烧伤脓毒症的敏感性和特异性分别为95.8%和87.8%,ROC曲线下面积为0.96。


结核病

结核病仍然是一个全球性的医疗问题。AI/ML技术的使用已经研究了十多年,以帮助诊断结核病,包括使用神经网络和SVM。虽然样本量不大,但SVM使用CD4计数、人类免疫缺陷病毒状态、纯化蛋白衍生物状态、胸痛、体重减轻、咳嗽、盗汗、发烧、呼吸急促、总血红蛋白、血小板计数、白细胞计数、中性粒细胞计数、淋巴细胞计数、红细胞沉降率、丙氨酸转氨酶、,碱性磷酸酶和乳酸脱氢酶浓度作为特征表现出100%的敏感性和特异性。



“EMR数据融合,AI/ML助力临床诊断”的概念模型,图片来源:Clinical Chemistry


总结

人工智能(AI)和机器学习(ML)有望在传染病检测方面进行革新。机器学习可以利用多种数据流,包括但不限于实验室信息,为医生提供可预测和可操作的结果。作为计算机科学的一个快速发展的领域,随着越来越多的平台商业化,实验室专业人员应该意识到AI/ML在传染病检测中的应用。


声明:
1、凡本网注明“来源:小桔灯网”的所有作品,均为本网合法拥有版权或有权使用的作品,转载需联系授权。
2、凡本网注明“来源:XXX(非小桔灯网)”的作品,均转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。其版权归原作者所有,如有侵权请联系删除。
3、所有再转载者需自行获得原作者授权并注明来源。

鲜花

握手

雷人

路过

鸡蛋

最新评论

关闭

官方推荐 上一条 /3 下一条

客服中心 搜索 官方QQ群 洽谈合作
返回顶部