基于LSTM-ConvNeXt的分类技术用于识别培养皿图像中预先鉴定出的真菌病原体
《Diagnostic Microbiology and Infectious Disease》:LSTM-ConvNeXt Based Classification of Pre-Identified Fungal Pathogens in Culture Plate Images
【字体:
大
中
小
】
时间:2026年10月18日
来源:Diagnostic Microbiology and Infectious Disease 1.8
编辑推荐:
• 提出了一种新颖的LSTMNeXt架构,用于真菌菌落图像分类。• 收集并评估了一个新的10类真菌菌落图像数据集。• 所提出的模型将受LSTM启发的注意力机制与轻量级的CNN设计相结合。• LSTMNeXt在真菌菌落数据集上的测试准确率为81.37%。• 该轻量级架构在公共血细胞
• 提出了一种新颖的LSTMNeXt架构,用于真菌菌落图像分类。• 收集并评估了一个新的10类真菌菌落图像数据集。• 所提出的模型将受LSTM启发的注意力机制与轻量级的CNN设计相结合。• LSTMNeXt在真菌菌落数据集上的测试准确率为81.37%。• 该轻量级架构在公共血细胞数据集上也达到了97.13%的准确率。
引言
此前,大多数与医疗相关的感染是由革兰氏阳性和革兰氏阴性细菌引起的[1]。在过去的十年中,真菌变得更为常见[1]。关于念珠菌和念珠菌病的研究显著增加,这些感染包括侵袭性形式和表浅类型,如甲沟炎、外阴阴道念珠菌病、口咽念珠菌病、甲癣、慢性黏膜皮肤念珠菌病和间擦疹[2]。念珠菌属包含超过160种物种,但只有大约20种对人类构成威胁[3]。念珠菌的实验室诊断技术取得了重大进展,新的方法包括多阶段分类研究、改进的培养基(如显色琼脂)、新物种的鉴定(如耳念珠菌)以及更先进的分子检测技术(如RT-PCR、RFLP和PCR)[4]。传统方法的结果输出较慢,这种延时成为念珠菌病诊断中的一个额外障碍[5]。因此,人工智能被研究用于检测念珠菌物种[[5], [6], [7]]。
人工智能(AI)是指机器模仿人类智能行为的能力。它涉及学习、推理和自我纠正。这使得机器学习工作取得了重大进展,使数据和算法在预测结果方面比人类表现得更好。深度学习作为机器学习的一个分支,通过示例和使用大型数据集来训练计算机[8]。AI不仅服务于微生物学领域,还跨越了病毒学、寄生虫学、真菌学和细菌学等多个领域。随着数据收集工具、计算设备和全球网络的进步,AI已成为微生物学中一个有效的工具[9]。在培养物解释方面,机器学习算法用于识别培养物并分析微生物的生长[10]。类似地,AI也可以预测抗菌药物敏感性,从而实现耐药病原体的早期检测和治疗[11]。
在我们的研究中,我们旨在使用AI来识别Sabouraud Dextrose Agar (SDA) 培养板上的念珠菌。我们的目标是创建一个辅助工具,帮助临床医生快速准确地识别念珠菌,作为他们专业知识或实验室结果的补充。尽管显色培养基为几种常见念珠菌物种的初步区分提供了更明显的视觉特征,但它们并不能为所有念珠菌物种提供明确的物种级识别,可能仍需要额外的识别方法。此外,与传统SDA相比,它们的成本较高,这可能限制了它们在某些实验室环境中的常规使用。在这项研究中,选择了SDA作为常规且实用的真菌分离培养基。由于不同的念珠菌物种在SDA上可能表现出相似的宏观外观,我们旨在研究所提出的LSTMNeXt是否能够捕捉到肉眼难以区分的细微形态和视觉差异。因此,所提出的方法旨在作为计算机辅助的工具,而不是替代现有的微生物学鉴定方法。
近年来,深度学习已成为许多生物医学图像分类任务([[12], [13], [14]]的流行方法,包括真菌物种识别任务[15,16]。一些基于CNN的传统框架已被证明在医学图像处理中表现良好[14],然而,这些架构的复杂性增加导致计算成本上升;因此,轻量级和混合方法变得不可或缺[17]。此外,最近的进展研究了循环模型(如LSTM)与CNN的结合,以改善表示能力(在时间和空间上),尤其是在处理生物数据时[18,19]。各种研究依赖于一些新模型或调整后的架构来分类真菌菌落或微生物对象[20,21]。现有文献中的代表性研究总结在表1中。最近的研究进一步证明了结合卷积和基于变换器的组件的混合架构的有效性。Pacal和Kilicarslan[28]对CNN和Vision Transformer方法进行了全面的比较,用于宫颈癌分类,强调了这些范式在医学图像分析中的权衡。最近,Pacal等人[29]引入了一种基于MetaFormer的架构,将ConvFormer块与可分离的自注意力结合用于植物病害检测,以轻量级设计实现了高准确率。这些研究强调了向混合深度学习模型的发展趋势,这种模型利用了卷积和基于注意力的机制的优势。表1总结了从DenseNet到结合基于注意力的策略的混合模型的各种方法。例如,Rahman等人[22]使用传统的CNN对高度不平衡的真菌属数据集进行了分类,并获得了中等准确率;相比之下,Crespo-Michel等人[24]表明,像MobileNet这样的轻量级网络可以独立区分物种并达到97%以上的准确率。此外,最近的工作强调了数据增强、迁移学习和微调架构在应对数据稀缺性方面的影响。例如,Huang等人[26]使用了基于注意力的迁移学习,提高了他们在属级别的性能,但未能解决物种级别的细节问题。Wyszynski和Struniawski[27]提出了一种基于子图像提取和多数投票的新流程,利用其在应对结构变异样本(如真菌图像)方面的优势。这种方法具有较好的平均准确率,但在视觉上稀疏的类别中表现较差。相比之下,LSTMNeXt结合了卷积处理和受LSTM启发的门控机制。门控块使用空间上下文来调节特征图,而无需引入循环时间步骤。这种设计提供了输入依赖的特征选择,同时保持了模型的轻量级。该架构在新真菌菌落数据集和其他图像数据集上进行了评估,以检验其可迁移性。其主要实际特点是参数数量少且可在单个GPU上训练。
- 在文献中,有许多深度学习模型,但这些模型通常由技术巨头的研究团队提出[30]。在这方面,由于硬件限制,独立研究人员和学者被置于不利地位[31]。
- 大型模型非常流行,并且由于基于大型语言模型的聊天界面非常有效,它们被广泛应用于日常生活中[32,33]。这一发展导致轻量级模型的发展停滞[34]。
- 变换器是深度学习的新旗帜,也用于计算机视觉[35]。在这方面,卷积神经网络(CNN)的发展变得次要[36]。此外,大多数研究人员使用众所周知的CNN或变换器来保证高性能[37]。
所提出的LSTMNeXt是一种创新的图像分类模型,其主要动机是填补文献中的空白,并展示LSTM结构的图像分类能力。因此,我们提出了一种新的CNN模型,并收集了一个真菌菌落图像数据集,以提高推荐的LSTMNeXt CNN的知名度。
为了填补第一个和第二个空白,我们提出了一个轻量级的LSTMNeXt版本,并使用单个简单的图形处理单元(GPU)训练了该数据集。
为了解决第二个问题,我们开发了一个受LSTM门控原理启发的CNN模型。LSTMNeXt结合了ConvNeXt、PoolFormer和注意力机制的元素。LSTM的贡献仅限于门控概念。该模型不使用时间递归或序列展开。相反,门控作用于前馈CNN块内的空间特征图。
创新:
- 收集了一个新的真菌菌落图像数据集。
- 我们有一种创新的基于LSTM的注意力机制。
- 通过利用基于LSTM的注意力机制,提出了一种新的LSTMNeXt。
贡献:
- 通过提出LSTMNeXt,我们贡献了一种轻量级的CNN,它将LSTM门控概念应用于空间特征图。该设计受到LSTM的启发,但不使用循环时间步骤或传播的时间隐藏状态。
- 我们提出了一种新的轻量级CNN模型,以促进轻量级CNN研究的发展。
数据集
本研究于2024年7月18日获得了土耳其Firat大学非侵入性伦理委员会的批准,批准编号为2024/10-33。本研究遵循赫尔辛基宣言的原则进行。所使用的数据来自在常规实验室测试中收集的各种生物样本的培养物。样本包括尿液、气管插管液、痰液、伤口拭子、血液、脑脊液、阴道拭子、精液和无菌体液。
LSTMNeXt
本研究的核心创新是所提出的LSTMNeXt。推荐的LSTMNeXt包括四个主要阶段:(i)输入/茎部,(ii)LSTMNeXt,(iii)下采样,(iv)输出。为了更好地说明所提出的LSTMNeXt,图2展示了该架构的示意图。图2展示了模型的图形表示。下面提供了所提出的LSTMNeXt架构的详细信息。
实验结果
本节展示了推荐的LSTMNeXt的计算分类结果。推荐的LSTMNeXt是使用MATLAB(2024a版本)深度网络设计器实现的。为了实现这个CNN,我们使用了128层和169个连接。我们使用了一台具有128 GB主内存、2.8 GHz处理器和NVIDIA GEFORCE RTX 4090图形处理单元(GPU)的个人计算机(PC)来训练这个数据集。
讨论
在这项研究中,我们将LSTMNeXt呈现为一种受LSTM启发的CNN,而不是循环图像模型。该架构将选定的LSTM门控概念转移到空间特征图上,并将其与CNN瓶颈相结合。没有创建时间序列,也没有隐藏状态或细胞状态在时间步骤间传播。因此,这种跨领域使用序列模型设计原则在概念上类似于...
结论
所提出的LSTMNeXt结合了CNN架构和受LSTM启发的空间门控机制。该模型在真菌菌落数据集上的测试准确率为81.37%,在Stable ImageNet1K上的验证准确率为85.22%,在公共血细胞图像数据集上的测试准确率为97.13%。Grad-CAM可视化显示模型激活集中在视觉上信息丰富的区域。
所提出的LSTMNeXt易于实现且可扩展。其轻量级配置可以在...
知情同意和患者信息
已从所有参与者或其法定代理人处获得了参与研究的书面知情同意以及发表文章的同意。参与者的隐私权得到了尊重。
人类和生物材料
本研究包括器官或组织捐赠者。本研究使用了人类生物材料,捐赠者或其亲属或法定代理人已同意将其用于本研究及文章的发表。本研究中使用的样本并非来自...
伦理批准
Firat大学的非侵入性伦理委员会于2024年7月18日在伦理基础上批准了这项研究(2024/10-33)。
资金
本研究未接受外部资助。
利益冲突
作者声明没有利益冲突。
数据可用性声明
本研究中的数据可向相应的作者请求获得。由于伦理委员会机构的限制,数据未公开发布。
参与同意
已从所有参与研究中获得了知情同意。
发表同意
所有作者均同意最终版本的手稿发表。
作者贡献声明
Ferda Feryal Senol:撰写 - 审稿与编辑,撰写 - 原始草稿,数据管理,概念化。
Ozlem Aytac:撰写 - 审稿与编辑,撰写 - 原始草稿,数据管理,概念化。
Mehmet Veysel Gun:撰写 - 审稿与编辑,撰写 - 原始草稿,可视化,数据管理,概念化。
Zulal Asci Toraman:撰写 - 审稿与编辑,撰写 - 原始草稿,数据管理,概念化。
Mehmet Baygin:撰写 - 审稿与编辑,撰写 -
CRediT作者贡献声明
Ferda Feryal Senol | Ozlem Aytac | Mehmet Veysel Gun | Zulal Asci Toraman | Mehmet Baygin | Burak Ta?c? | Sengul Dogan | Turker Tuncer
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号