针对感染性疾病诊断和媒介传播疾病监测，对用于 MALDI-TOF 质谱技术的深度学习架构进行基准测试

《npj Digital Medicine》：Benchmarking deep learning architectures for MALDI-TOF mass spectrometry in infectious disease diagnostics and vector-borne disease surveillance

　　

摘要

从抗菌素耐药性到媒介传播疾病，新兴的全球健康威胁需要可扩展的诊断解决方案。基质辅助激光解吸/电离飞行时间（MALDI-TOF）质谱技术彻底改变了微生物诊断领域，但由于在解释和推广复杂光谱数据方面的算法挑战，其在公共卫生中的应用仍然不足。在这里，我们提出了一个系统的基准测试框架，通过使用多种深度学习架构和预处理策略来扩展MALDI-TOF在野外诊断中的实用性，包括新应用于光谱数据的方法。利用来自临床和现场收集的数据集的7424个质谱数据，我们评估了Mycobacterium abscessus亚种的分类（814个训练谱/187个测试谱，来自33个/8个分离株）；Anopheles蚊子物种的解剖部位识别（腿部：1047个/188个谱，来自211个/40个样本；头部：1089个/214个谱；胸部：999个/279个谱）；以及蚊子年龄的估计（腿部：806个/144个谱，来自202个/36个样本；头部：727个/124个谱；胸部：689个/117个谱）。结果显示，物种/亚种识别的准确率在84%到95%之间，耐药性预测的准确率在91%到99%之间，年龄估计的平均绝对误差在1.9到3.8天之间。这些表现的关键在于对仪器和生物变异性的有效管理。我们还评估了计算效率和能耗，强调了准确性与部署可行性之间的权衡。这些发现支持将AI增强的MALDI-TOF作为资源有限环境下全球健康监测和精准诊断的实用工具。