基于YOLOv5的抑菌圈自动测量算法在快速药敏检测中的精准应用

针对传统抗菌药物敏感性试验(AST)中抑菌圈(ZOI)人工测量效率低、误差大的问题，本研究开发了基于YOLOv5的自动化算法，通过图像处理和Harris-Stephens角点检测技术，实现对大肠杆菌和肺炎克雷伯菌300张样本图像的精准测量与耐药性分类（R/I/S），为临床抗微生物耐药性(AMR)治理提供高效解决方案。

　　

抗生素耐药性(AMR)已成为全球公共卫生的重大威胁，世界卫生组织(WHO)将其列为"21世纪最严峻的医疗挑战"之一。传统抗菌药物敏感性试验(AST)依赖人工测量抑菌圈直径(ZOI)，存在主观性强、耗时长的缺陷，尤其面对重叠区或弥散性抑菌圈时误差显著。这一问题在基层医疗机构尤为突出，严重制约了精准用药的时效性。

为突破这一技术瓶颈，来自Neuberg Anand诊断实验室（原Anand诊断实验室）的研究团队B. Sunanda与D.R. Ramesh Babu开发了基于YOLOv5深度学习框架的自动化测量系统。该研究通过构建特殊光学采集装置（含LED光源的反射涂层圆柱箱）获取标准化AST平板图像，结合改进的Harris-Stephens角点检测处理复杂边界情况，最终依据临床实验室标准化协会(CLSI)指南实现耐药性分级。论文发表于《Biomedical Signal Processing and Control》，证实算法对300例大肠杆菌和肺炎克雷伯菌样本的测量准确率达98.7%，较人工测量效率提升15倍。

关键技术包含：1) 定制化图像采集系统（含定位标记的黑色衬底与反射涂层）；2) YOLOv5目标检测识别抗生素圆片与ZOI区域；3) 增强型Harris-Stephens算法处理重叠/弥散区域；4) 基于CLSI标准的半径-耐药性分类模型。样本来自印度班加罗尔Neuberg Anand诊断实验室的临床分离株。

【研究结果】

1. 算法设计：系统采用级联处理流程，先通过YOLOv5定位6-8个抗生素圆片，再经自适应阈值分割提取ZOI，最后用改进的角点检测校正不规则边界。对"卫星菌落"现象采用形态学开运算消除干扰。

2. 性能验证：测试显示平均测量误差±0.23mm，显著低于人工测量的±0.82mm。对重叠ZOI的识别准确率达96.4%，耗时仅2.3秒/样本，而传统方法需35秒以上。

3. 临床一致性：与金标准微量肉汤稀释法比较，分类一致性达97.1%（κ=0.93）。特别对碳青霉烯类抗生素的中间型(I)判别准确率提升12.6%。

【结论与意义】
该研究首次将YOLOv5与经典计算机视觉算法融合应用于AST检测，突破性地解决了三个临床痛点：1) 通过标准化图像采集消除环境光干扰；2) 利用深度学习实现亚像素级边缘检测；3) 建立可解释的决策路径满足监管要求。相比同类研究，其创新性体现在采用物理反射装置控制成像质量，而非依赖复杂的后处理算法。

作者在讨论中指出，该系统已通过印度伦理审查（编号NAALM/EC/6.4/06-2023），下一步将开发便携式设备用于资源有限地区。这项技术不仅可缩短AST报告时间从24小时至3小时，更重要的是为抗生素管理计划(ASP)提供了可量化的决策工具，对遏制"超级细菌"传播具有重要实践价值。研究局限性在于尚未验证对革兰阳性菌的适用性，这将是未来重点攻关方向。