一种用于从MALDI-TOF数据中识别细菌并预测其耐药性的深度学习系统

《npj Digital Medicine》：A deep learning system for bacterial identification and resistance prediction from MALDI-TOF data

　　

摘要

基于矩阵辅助激光解吸/电离飞行时间（MALDI-TOF）质谱（MS）的数据中蕴含着超出物种识别范围的信息。我们开发了一个深度学习系统——名为ANTIBIOTIC——该系统能够直接从原始MALDI-TOF MS数据中识别细菌种类、预测抗菌素耐药性（AMR），并推荐相应的抗生素。利用公共数据集（DRIAMS，2015–2018年）以及本地医院数据集（NTUHYL，2017–2023年）中的89,026条MS记录，我们构建了26个LightGBM模型用于识别最常见的细菌种类，以及248个时间卷积网络模型用于预测各种细菌与抗生素组合之间的耐药性。在细菌识别方面，这些模型在内部数据集上的曲线下面积中位数（AUC）为0.99，在时间分割的外部数据集上为0.96。在耐药性预测方面，内部数据集上的中位数AUC为0.94，但在时间分割的外部数据集上降至0.55；经过使用最新数据微调后，这一数值提升至0.61。将这些模型与大型语言模型结合，实现了抗生素推荐聊天功能。这些研究结果表明，深度学习可以利用MALDI-TOF MS数据进行大规模细菌识别和耐药性预测，不过耐药性预测模型需要定期更新以保持其性能。