基于模块化系统的琼脂平板微生物材料聚类分析：AgarNet架构与BRUKERCLUSTER数据集创新

研究人员针对微生物菌落自动分析中存在的分割精度低、聚类困难等问题，开发了集成Attention U-Net和EfficientNetB4的AgarNet分割系统（F1-score 0.906），结合XGBoost聚类计数预测和GMM聚类算法（V-measure 0.727），并发布首个专家标注的BRUKERCLUSTER数据集，为微生物自动化分析设立新基准。

　　

微生物学研究长期面临菌落分析自动化的技术瓶颈。传统方法依赖人工观察或简单图像处理工具，难以应对菌落形态的高度变异性——颜色、纹理、光照反射及菌落融合现象（如图1所示）常导致误判。更棘手的是，混合培养中不同微生物的视觉特征可能重叠，而现有算法无法实现像素级聚类。这种局限性严重制约了抗生素敏感性测试、环境微生物监测等关键应用的效率。

为突破这一困境，Michal Cicatka团队在《Array》发表研究，提出三阶段模块化系统：首先通过AgarNet（基于Attention U-Net和EfficientNetB4骨干网络）实现菌落分割；随后采用XGBoost预测聚类数量；最终利用高斯混合模型(GMM)完成像素级聚类。研究使用Bruker Daltonics GmbH提供的MBT Pathfinder?仪器采集276块琼脂平板图像，涵盖31种培养基类型，构建了首个专家标注的BRUKERCLUSTER数据集。通过遗传算法(GA)优化多尺度特征选择，系统在真实条件下达到0.532的V-measure，在理想分割条件下提升至0.727。

关键技术包括：

1. 1.

   多模态特征提取：融合EfficientNetB7、InceptionResNetV2等模型的卷积层特征

2. 2.

   稳态遗传算法：采用自定义突变函数优化30维特征子集

3. 3.

   合成数据增强：通过随机化菌落位置消除空间偏差

4. 4.

   评估指标：采用平衡同质性和完整性的V-measure

研究结果：

1. 1.

   分割实验：EfficientNetB4骨干的AgarNet以0.906 F1-score超越DenseNet201和ResNet50V2

2. 2.

   聚类计数预测：XGBoost在真实数据上表现最佳（MSE 0.350），但合成数据测试揭示模型易受空间分布干扰

3. 3.

   聚类质量：GMM显著优于K-means（p<0.05），在给定真实掩膜和聚类数时V-measure达0.723

4. 4.

   系统瓶颈分析：分割误差对最终结果影响最大（Wilcoxon检验p<0.001）

讨论与结论：

该研究首次实现微生物菌落的像素级半监督聚类，其创新性体现在三方面：

1. 1.

   数据层面：BRUKERCLUSTER数据集填补了领域空白，其标准化标注支持跨研究比较

2. 2.

   算法层面：GA驱动的特征选择突破了传统聚类对人工特征的依赖

3. 3.

   系统设计：模块化架构允许单独优化各组件，适应不同应用场景

局限性在于遗传算法的内存瓶颈限制了训练数据规模，未来可通过特征降维或分布式计算解决。这项成果为自动化菌落挑取、快速污染检测等应用提供了可靠工具，尤其对临床微生物实验室的数字化转型具有重要推动意义。