人工智能辅助技术用于缩短传染病的快速诊断周期

《Journal of Virological Methods》：Artificial Intelligence-Assisted Technology to Reduce Turnaround Time for Rapid Diagnosis of Infectious Diseases

qPCR荧光信号通过BiLSTM模型预测可提前至27个循环实现92%准确率的初步分类，较传统45个循环流程缩短40%检测时间，为紧急疫情检测提供加速方案。

　　

曾启航|刘伦静|王彤|张成丽|王静茹|刘芳|杨德龙|傅宇

宁夏医科大学检验学院，中国宁夏银川750004

摘要

背景

定量聚合酶链反应（qPCR）是疾病检测的基本工具；然而，相对较多的扩增循环次数可能会限制其在时间敏感情况下（如传染病暴发时）的响应速度。人工智能（AI）有望实现扩增曲线的早期解读，从而加速基于qPCR的诊断，特别是对于COVID-19。

方法

本文介绍了一种基于双向长短期记忆（BiLSTM）网络的快速qPCR（q-qPCR）算法，用于预测早期循环qPCR测量得到的荧光信号。该模型使用来自标准低浓度COVID-19检测试剂盒样本的数据集进行训练和验证，并与循环神经网络（RNN）和LSTM基线模型进行了对比实验。

结果

基于BiLSTM的模型生成的荧光预测结果与实验测量值高度吻合，在所有测试模型中表现最佳。重要的是，该模型仅使用27个扩增循环即可实现早期定性分类，而传统方法需要45个循环，所需循环数减少了40%。在测试数据集上的分类准确率达到了约92%。

结论

所提出的q-qPCR算法可以整合到传统的qPCR工作流程中，有助于缩短检测时间和样本周转时间（TAT）。通过实现早期初步解读，这种方法可以在时间敏感的传染病检测场景中支持更及时的分诊和诊断响应。

引言

近年来，新出现的和重新出现的传染病，包括COVID-19、埃博拉病毒病（EVD）和猴痘，继续对全球公共卫生系统构成重大挑战（Hassan等人，2023；Spencer，2025；Ndembi等人，2025）。在疫情暴发期间，快速实验室检测尤为重要，因为诊断延迟可能导致疫情持续传播并阻碍及时干预。在这种情况下，能够敏感且特异性地检测病原体的分子诊断方法对于传染病控制至关重要（Miglietta等人，2026）。

在目前可用的分子方法中，定量聚合酶链反应（qPCR）仍然是最常用的核酸检测技术之一，RT-qPCR被广泛认为是诊断RNA病毒感染的黄金标准（Bianconi等人，2025）。作为传统PCR的荧光扩展技术，qPCR能够实时监测扩增过程，并提供高灵敏度、特异性和定量能力（Li等人，2025）。由于这些优势，qPCR不仅应用于传染病诊断，还应用于疾病研究、食品安全、农业和环境科学（Bustin，2024）。在传染病检测中，qPCR特别有价值，因为它有助于及时识别病原体并支持后续的治疗和预防决策。

尽管有这些优势，常规的qPCR结果解读仍然主要依赖于达到足够扩增后的Ct/Cq值确定（Bustin等人，2025）。在时间敏感的情况下，这一限制尤为明显，例如疫情筛查和紧急实验室工作流程中，早期报告可能具有重要的公共卫生意义（Ciotti等人，2024）。在目标丰度较低的样本中，这一挑战更加突出，因为通常需要额外的扩增循环才能使荧光信号超过检测阈值（Pratt和Rao，2023）。因此，在低浓度样本中，qPCR分析可能相对耗时较长，因为早期荧光信号较弱，使得及时解读更加困难。从公共卫生的角度来看，这也具有重要意义，因为病毒载量较低的个体可能表现出轻微或无症状，但仍会继续传播疾病。因此，提高此类样本中qPCR解读的及时性具有重要的实际意义。这些观察表明，如果能够从早期循环扩增模式中提取有意义的诊断信息，就有可能在传统qPCR工作流程中实现更早的解读，并加速紧急情况下的传染病筛查和诊断。

近年来，越来越多的研究关注将机器学习和深度学习整合到qPCR及相关工作流程中。先前的研究表明，数据驱动的方法可以改善实时PCR中的多重目标分类，并协助结果解读和病原体识别（Kreitmann等人，2023；Ganjalizadeh等人，2023），而基于深度学习的核酸检测系统也被用于传染病诊断（Wei等人，2025）。总体而言，这些发现支持了扩增信号包含超出传统基于阈值指标的信息特征的观点，为探索更早、更丰富的qPCR结果解读的计算策略提供了基础。

然而，许多现有方法仍然依赖于传统的机器学习流程，这些流程需要大量的特征工程，同时有些方法与特定设备或检测平台紧密相关，可能限制了它们的通用性和广泛应用性。与此同时，计算能力和人工智能的进步加速了深度学习在生物医学研究中的应用（Tian等人，2024；Zhou等人，2024）。在常用的模型家族中，循环神经网络（RNN）及其变体特别适合处理序列数据，因为它们旨在捕捉有序观测之间的时间依赖性（Al-Selwi等人，2024；Kim等人，2025）。这一特性对于qPCR尤为重要，因为扩增曲线是按循环产生的荧光序列，而不是独立的静态测量值。因此，qPCR荧光轨迹可能在完整运行完成之前就包含诊断相关的信息。这种序列特性使得qPCR数据非常适合循环深度学习模型，这些模型可以直接从原始信号中学习时间关系，而无需依赖手工制作的特征。在这些模型中，双向长短期记忆（BiLSTM）网络可能具有优势，因为它们可以从过去和未来的序列上下文中整合信息（Alizadegan等人，2025；Fan等人，2024），从而在许多应用中比传统的RNN和标准LSTM提供更全面的模式提取。这些考虑激发了探索早期循环qPCR荧光数据是否已经包含足够信息以支持在标准全循环工作流程完成之前的早期辅助解读的兴趣。

因此，本研究的目的是开发一个基于深度学习的快速qPCR（q-qPCR）框架，用于早期分析RT-qPCR扩增曲线。所提出框架的总体设计如图1所示。研究了是否可以利用早期循环荧光信号来预测后续的荧光轨迹，从而在当前实验条件下实现更早的辅助定性解读。为此，开发了一个基于BiLSTM的模型，并将其与RNN和LSTM基线模型进行了比较，最终目标是评估在传统qPCR工作流程中缩短周转时间的可行性。

材料与化学品

无RNase的水购自TaKaRa Bio Inc。COVID-19检测试剂盒（荧光PCR方法）来自上海BioGerm Medical Technology Co., Ltd。实时荧光定量PCR仪器购自大连龙星创新实验仪器（北京）有限公司。洁净工作台来自苏州安泰空气技术有限公司。PCR 96孔板、光学密封膜和移液器来自NEST Biotechnology、LABSELECT和Thermo Fisher

qPCR荧光轨迹预测

基于第2节描述的数据集，比较了RNN、LSTM和BiLSTM模型在qPCR荧光轨迹预测方面的性能。图4、图5和图6展示了阳性和阴性样本的代表性预测结果。为了可视化，从测试数据集中选择了代表性样本。总体而言，所有三种模型都能捕捉到荧光变化的一般趋势，尽管它们的预测准确性存在显著差异。

讨论

本研究开发了一个基于BiLSTM的q-qPCR框架，用于SARS-CoV-2 RT-qPCR扩增曲线的早期辅助解读。在评估的模型中，基于BiLSTM的方法在荧光轨迹预测方面表现最佳，预测信号与测量信号之间的吻合度最高。此外，在当前实验条件下，预测轨迹在27个循环的截止点支持了初步的定性分类。

结论

本研究证明了将深度学习应用于早期循环RT-qPCR荧光分析的可行性。在当前实验设置下，基于BiLSTM的模型在27个循环的截止点实现了约92%的准确率，所需循环数减少了40%。所提出的q-qPCR框架可能支持在标准qPCR工作流程中实现更早的辅助解读，有待在更广泛的样本集上进行进一步验证。

缩写

本手稿中使用了以下缩写：

BiLSTM	双向长短期记忆
Ct	循环阈值
dPCR	数字聚合酶链反应
FAM	6-羧基荧光素（荧光染料）
LSTM	长短期记忆
MAE	平均绝对误差
MAPE	平均绝对百分比误差
MSE	均方误差
ORFl ab	开放阅读框1ab（SARS-CoV-2基因）
PMT	光电倍增管
qPCR	定量聚合酶链反应
q-qPCR	快速定量聚合酶链反应
RNN	循环神经网络
RNase P

机构审查委员会声明

不适用。

知情同意声明

不适用。

资助

本工作得到了三亚亚洲湾科技城省级联合项目（2021JJLH0023）、国家自然科学基金（82302842, 82560451）和广东省基础与应用基础研究基金（2023A1515140123）的支持。

CRediT作者贡献声明

刘伦静：撰写——原始草案，数据整理。曾启航：撰写——原始草案，概念构思。张成丽：撰写——审阅与编辑，方法学。王彤：撰写——审阅与编辑。杨德龙：撰写——审阅与编辑，项目管理，资金获取，概念构思。王静茹：撰写——审阅与编辑，调查。傅宇：撰写——审阅与编辑，项目管理，资金获取。刘芳：撰写——审阅与编辑。

利益冲突

作者声明没有利益冲突。

致谢

作者感谢在本研究过程中提供技术协助和有益讨论的所有人员。

利益冲突声明

作者声明没有利益冲突。