Forskare vid University of Cambridge har utnyttjat AI i kampen mot antibiotikaresistens.
Forskargruppen, som leds av professor Stephen Baker, skapade ett maskininlärningsverktyg som endast använder mikroskopibilder för att skilja mellan bakterier som är resistenta mot ciprofloxacin (ett vanligt antibiotikum) och de som är känsliga för det.
Detta kan dramatiskt minska den tid som krävs för att diagnostisera antibiotikaresistens, vilket potentiellt kan förändra hur vi behandlar farliga infektioner som tyfoidfeber.
Den studiesom publicerades i Nature Communications, fokuserade på Salmonella Typhimurium, en bakterie som orsakar allvarlig mag-tarmsjukdom och kan leda till livshotande invasiv sjukdom.
Dr. Tuan-Anh Tran, en av de viktigaste forskarna i projektet, förklarade tillvägagångssättet i en Blogginlägg: "Det fina med maskininlärningsmodellen är att den kan identifiera resistenta bakterier baserat på några få subtila egenskaper i mikroskopibilder som mänskliga ögon inte kan upptäcka."
Forskningsprocessen omfattade flera viktiga steg:
- Förberedelse av bakterieprov: Teamet odlade S. Typhimurium-prover i flytande näringsmedier, varav vissa exponerades för olika koncentrationer av ciprofloxacin och andra inte.
- Bildbehandling med högt innehåll: Med hjälp av ett sofistikerat mikroskop tog forskarna detaljerade bilder av bakterierna vid flera tidpunkter.
- Bildanalys: Specialiserad programvara extraherade 65 olika egenskaper från varje bakteriecell, inklusive form, storlek och interaktion med fluorescerande färgämnen.
- Utveckling av modeller för maskininlärning: Forskarna matade in dessa data i olika maskininlärningsalgoritmer och tränade dem att känna igen mönster som är förknippade med antibiotikaresistens.
- Urval av funktioner: Teamet identifierade de mest avgörande egenskaperna för att skilja mellan resistenta och mottagliga bakterier.
Resultaten av denna process var imponerande. AI-systemet identifierade antibiotikaresistenta bakterier korrekt cirka 87% av tiden.
Kanske viktigast av allt var att forskarna fann att resistenta och känsliga bakterier hade distinkta visuella mönster som AI:n kunde upptäcka, även om de inte hade utsatts för antibiotika.
Detta tyder på att antibiotikaresistens förändrar bakteriernas utseende på ett sätt som är för subtilt för människor att se, men som AI kan upptäcka.
Nuvarande metoder kräver vanligtvis flera dagars bakterieodling och testning mot olika antimikrobiella medel. Den nya AI-baserade metoden skulle däremot potentiellt kunna ge resultat inom några timmar.
Snabbare diagnoser gör det möjligt för läkare att skriva ut den mest effektiva antibiotikan tidigare, vilket potentiellt kan förbättra patientresultaten och minska spridningen av resistenta bakterier.
Framöver siktar forskargruppen på att utvidga sin metod till mer komplexa kliniska prover som blod eller urin och testa dem på andra typer av bakterier och antibiotika. De arbetar också med att göra tekniken mer tillgänglig för sjukhus och kliniker över hela världen.
Som professor Baker förklarar: "Det som verkligen skulle vara viktigt, särskilt i kliniska sammanhang, vore att kunna ta ett komplext prov - till exempel blod, urin eller sputum - och identifiera känslighet och resistens direkt från det."
"Det är ett mycket mer komplicerat problem som egentligen inte har lösts alls, inte ens inom klinisk diagnostik på ett sjukhus. Om vi kunde hitta ett sätt att göra detta skulle vi kunna minska den tid det tar att identifiera läkemedelsresistens och till en mycket lägre kostnad. Det skulle verkligen kunna bli en omvälvande förändring."
Dr. Sushmita Sridhar sammanfattade effekterna och sa: "Med tanke på att denna metod använder avbildning med upplösning på en enda cell är det ännu inte en lösning som lätt kan användas överallt. Men det är verkligen lovande att vi genom att fånga upp bara några få parametrar om bakteriernas form och struktur kan få tillräckligt med information för att relativt enkelt kunna förutsäga läkemedelsresistens."
Antibiotikaresistens fortsätter att utgöra ett allt större globalt hot mot hälsan, och innovativa metoder som denna AI-drivna bildteknik ger nytt hopp.
Detta är en del av en bredare trend med AI-drivna innovationer inom antibiotikaforskning. Vid MIT har forskare använt djupinlärningsmodeller för att upptäcka en helt ny klass av antibiotika.
På liknande sätt meddelade ett annat forskarlag i maj förra året att de hade använt AI för att identifiera ett nytt antibiotikum effektiva mot läkemedelsresistenta bakterier.
AI möjliggör snabbare och mer exakt identifiering av läkemedelsresistenta infektioner, vilket banar väg för effektivare behandlingar och bättre patientresultat.
De närmaste åren kommer att vara avgörande när teamet arbetar med att överföra sina laboratorieframgångar till kliniska tillämpningar i den verkliga världen.
