Skip directly to content

Bakterilerin Hızlı ve Doğru Şekilde Tanımlanması İçin Yapay Zeka Kullanımı

Bakterilerin Hızlı ve Doğru Şekilde Tanımlanması İçin Yapay Zeka Kullanımı

 

Kan dolaşımı infeksiyonları, hızlı yayılan ve mortalite oranları %40’a kadar çıkan ilerleyici infeksiyonlardır. Bu infeksiyonların tedavisinde aktif antimikrobiyal tedavi başlangıcının geciktiği her gün, mortalitede yaklaşık %10 artışa sebep olmaktadır.  Günümüzde, bakteriyel yükün görece düşük olmasından dolayı (<10 CFU mL-1), hastaların kan örnekleri bakteri varlığının tespiti için otomatik bir kan kültürü aleti ile COüretiminin ya da pH artış ya da azalmasını ölçmek amacıyla sıvı besiyeri kültüründe pre-inkübe edilmektedir. Eğer bu kültürde organizma büyümesi tespit edilirse, sıvı besiyerinin bir miktarı (>106CFU mL-1 içeren) çıkarılır ve kültüre Gram boyası sürülür. Çıkan sonuca göre tedaviye başlanır.

Otomasyon alanındaki ve kan dolaşımı infeksiyonlarının tanı süreci ile ilgili gelişmelere rağmen, Gram boyasının yorumu ciddi ölçüde işgücü ve zaman almaktadır ve yüksek oranda operatöre bağlı bir süreçtir. Hastane sistemlerinin konsolide edilmesi, iş yükünün yüksek olması sebebiyle Gram boyası testlerinin otomatize sistemler ile birleştirilmesinin infeksiyonların tanı ve tedavisine ciddi yararlar sağlayacağı düşünülmektedir. Ancak bu konu ile ilgili yapılan çok az çalışma vardır ve çeşitli teknik zorlukların aşılması gerekmektedir.

Bu sebeple, Smith KP ve arkadaşları tarafından yapılan, otomatize görüntü belirleme sistemi ve konvolüsyonel nöral ağ temelli bir yaklaşımı benimseyen otomatize bir Gram boyama sınıflaması aplikasyonunun araştırıldığı çalışma Journal of Clinical Microbiology dergisinde Kasım 2017’de yayımlandı.

Çalışmada otomatize bir mikroskop kullanılmış, lameldeki parçalar 40x kuru objektif ile taranmış ve yorumlanabilmek için yeterli çözünürlüğe getirilmişlerdir. Rutin klinik çalışma boyunca 25.488 Gram pozitif kan kültür görüntüsü toplanmıştır. Bu görüntüler, kümelerde Gram pozitif koklar, zincir ya da parçalardaki Gram pozitif koklar, Gram negatif çomak hücreleri ya da arka plan (hücre yok) içeren toplam 100.213 parça oluşturmak için kullanıldı.

Hazırlanan konvolüsyonel nöral ağ modeli, test grubunda %94.9 hassasiyete ulaştı. Eğitim ve validasyon sonrası, algoritmanın sınıflandırması amacıyla 189 tam parça, herhangi bir insan müdahalesi olmadan toplandı. Zincir ya da parçalardaki Gram pozitif koklarda hassasiyet %98.4, özgüllük ise %75 olarak; kümelerdeki Gram pozitif koklarda hassasiyet %93.2, özgüllük ise %97.2 olarak; Gram negatif çomak hücrelerinde ise hassasiyet %96.3, özgüllük ise %98.1 olarak bulundu.

Tüm veriler bir arada düşünüldüğünde, çalışma sonuçları kan kültürlerindeki Gram boyama testleri için tam otomatize bir sınıflandırma metodolojisinin kavramsal olarak başarılı olduğunu göstermektedir. Daha da önemli olarak, bu algoritma, parçaları tanımlamaya hızlıca adapte olabildiğinden, daha önce görüntülenmiş ve sınıflandırılmış parçaları, araştırıcıların kültür değerlendirilmelerini hızlandırmak için onlara sunabilir. Bu konseptin tüm klinik laboratuvarlardaki Gram boyama testlerinin yorumu için kullanılabileceği düşünülmektedir.

Referans;

Yukarıdaki haber aşağıda belirtilen kaynaktan özetlenerek hazırlanmıştır.

  1. Smith KP, et al. Automated Interpretation of Blood Culture Gram Stains using a Deep Convolutional Neural Network. Journal of Clinical Microbiology. 2017; DOI: 10.1128/JCM.01521-17
26.04.2018

ANKET

Sitemizde aşağıdaki konulardan en çok hangisini görmek istersiniz?

/node/9511/webform-results/analysis