机器学习辅助的尿路感染尿液培养图像自动分类与分割研究

《Scientific Reports》：Machine learning-guided screening of urine cultures for urinary tract infection diagnosis according to AMCLI guidelines

　　

摘要

尿路感染（UTI）是最常见的细菌感染之一，其诊断依赖于对尿液培养结果的准确解读。然而，手动评估耗时长、依赖操作者，且易产生诊断差异。本研究提出了一种机器学习辅助的流程，用于尿液培养图像的自动分类与分割，并符合最新的诊断指南。在标准化条件下获取了115张原始显色琼脂平板图像数据集，每张对应一名独特患者，由临床微生物学家标注为三种诊断类别：阴性、阳性（单微生物）和多微生物/污染。数据集划分后进行了数据增强，以增加图像变异性，用于模型开发。训练并评估了五种卷积神经网络（ResNet-18、-50、-152；VGG-11、-19）用于图像级分类。VGG-19表现最佳，在测试集上的准确率达到了99.49%。在菌落级检测与分割方面，我们采用了最先进的YOLOv11实例分割模型，能够同时对单个细菌菌落进行定位、分类和掩膜生成。该模型表现出色（mAP@50 = 0.82），尤其在检测气杆菌和克雷伯氏菌属方面表现突出，但在较少见的物种上，当IoU阈值较高时分割质量有所下降。研究表明，在标准化采集条件下，深度学习模型可以支持尿液培养的自动筛查。所提出的流程具有高度的分类性能，可能是辅助常规实验室工作流的有用方法。在临床实施前，仍需进行更大规模多中心数据集的进一步验证。