《Journal of Dairy Science》：Development and evaluation of a computer vision system for identifying mastitis-related pathogens in dairy cows from bacterial culture media
编辑推荐：
本研究的目的是评估一种计算机视觉系统在含5%绵羊血胰蛋白酶大豆琼脂平板上鉴定乳腺炎病原体的诊断准确性。研究人员使用了以下乳腺炎病原体的分离株：大肠杆菌（*Escherichia coli*）、肺炎克雷伯菌（*Klebsiella pneumoniae*）、乳酸
本研究的目的是评估一种计算机视觉系统在含5%绵羊血胰蛋白酶大豆琼脂平板上鉴定乳腺炎病原体的诊断准确性。研究人员使用了以下乳腺炎病原体的分离株：大肠杆菌（*Escherichia coli*）、肺炎克雷伯菌（*Klebsiella pneumoniae*）、乳酸乳球菌（*Lactococcus lactis*）、金黄色葡萄球菌（*Staphylococcus aureus*）、产色葡萄球菌（*Staphylococcus chromogenes*）、停乳链球菌（*Streptococcus dysgalactiae*）、婴儿链球菌（*Streptococcus infantarius*）以及乳房链球菌（*Streptococcus uberis*）。此外，研究还纳入了“无生长”类别，以代表未检出细菌生长的样本。在通过基质辅助激光解吸电离飞行时间质谱（MALDI-TOF）进行初次培养和物种水平病原体鉴定后，挑选代表性菌落进行传代培养，平板在37°C下孵育48小时。孵育24小时后，从每个平板中选取代表性菌落提交进行MALDI-TOF分析，该分析结果作为金标准。使用数码相机和定制光箱在孵育24小时和48小时时获取图像。研究人员设计了一种自定义卷积神经网络架构，用于根据24小时和48小时获取的数字图像预测病原体分类。研究人员计算了总体准确率、诊断检验统计量[灵敏度、特异性、阳性预测值（PPV）和阴性预测值（NPV）]以及受试者工作特征（ROC）曲线下面积（AUC），以评估模型在检测不同病原体类别时的性能。24小时模型的总体分类准确率为74.0%，48小时模型为72.8%。24小时模型的平均ROC AUC为0.950，48小时模型为0.943，表明各病原体类别之间具有很强的可分性。24小时模型的灵敏度、特异性、PPV和NPV分别为：大肠杆菌0.79、0.97、0.74、0.97；肺炎克雷伯菌0.71、0.93、0.60、0.96；乳酸乳球菌0.51、0.94、0.52、0.94；金黄色葡萄球菌0.53、0.98、0.71、0.95；产色葡萄球菌0.78、0.98、0.86、0.97；停乳链球菌0.77、0.99、0.84、0.98；婴儿链球菌0.46、0.97、0.64、0.93；乳房链球菌1.00、0.95、0.72、1.00；以及“无生长”1.00、1.00、1.00、1.00。48小时模型对应的值分别为：大肠杆菌0.96、0.98、0.86、0.99；肺炎克雷伯菌0.72、0.97、0.76、0.96；乳酸乳球菌0.47、0.92、0.37、0.95；金黄色葡萄球菌0.55、0.97、0.67、0.95；产色葡萄球菌0.74、0.96、0.69、0.97；停乳链球菌0.86、0.98、0.83、0.99；婴儿链球菌0.43、0.95、0.56、0.92；乳房链球菌0.78、0.97、0.74、0.98；以及“无生长”1.00、1.00、0.98、1.00。当根据抗菌药物治疗建议（治疗与不治疗）对病原体预测进行分组时，24小时和48小时模型分别达到了90.8%和92.3%的灵敏度、92.9%和90.1%的特异性、95.9%和93.9%的PPV、84.4%和87.8%的NPV、91.5%和91.5%的准确率，以及93.3%和93.0%的F1分数。本研究的结果表明，所开发的计算机视觉系统能够从含5%绵羊血胰蛋白酶大豆琼脂平板的数字图像中准确分类乳腺炎病原体，可能成为乳腺炎诊断中病原体鉴定的有前景的工具。然而，由于该系统是在标准化实验室条件下开发和评估的，因此有必要使用商业化的场内培养系统和实际现场成像条件进行进一步验证。
解读摘要：研究人员开发了一种计算机视觉系统，用于从培养平板的数字图像中识别乳腺炎病原体。研究人员培养了8种乳腺炎病原体的分离株以及一个“无生长”类别，并通过MALDI-TOF进行了确认。研究人员使用数码相机和定制光箱在孵育24小时和48小时后获取图像。研究人员使用卷积神经网络对图像中的病原体进行分类。24小时模型的总体准确率为74.0%，48小时模型为72.8%，平均ROC AUC值分别为0.950和0.943，表明各病原体类别之间具有很强的区分度。
**论文解读：基于计算机视觉的奶牛乳腺炎病原体自动鉴定系统研究**
**一、研究背景与意义**
乳腺炎是奶牛最常见的疾病之一，对产奶量、繁殖性能和奶牛使用寿命均有明确的不利影响，给奶牛养殖业造成重大的经济损失，同时损害动物福利。乳腺炎的治疗和预防占奶牛场抗菌药物使用的大部分。随着抗菌药物耐药性及其公共卫生影响的日益关注，畜牧业抗菌药物使用受到更严格的审视。已有证据表明，无细菌生长的临床乳腺炎病例以及革兰氏阴性病原体引起的病例可能无法从乳腺内抗菌药物治疗中获益。因此，基于病原体的临床乳腺炎治疗方法被提出，并已被证明可以在不损害短期临床和细菌学治愈率、乳腺炎复发率、体细胞数、产奶量或奶牛存活率的情况下减少抗菌药物使用。
临床乳腺炎治疗决策应基于微生物学诊断，通常通过参考实验室对无菌采集的牛奶样本进行检测获得。然而，许多牧场难以获得及时的实验室服务。为此，多种场内培养系统被开发出来，并普遍认为其能够可靠地指导选择性乳腺炎治疗。然而，所有场内培养系统都依赖正确的判读来支持恰当的治疗决策。成功的场内培养系统实施需要培训专人负责，受过培训和未经培训的观察者之间的准确性存在显著差异。在现场实践中，最大的挑战往往不是建立系统本身，而是在牧场上维持训练有素的人员。人员流动导致专业水平难以持续，成为场内培养系统的主要局限性。
通过计算机视觉系统实现培养物评估的自动化，可能为克服这一局限性提供可行的解决方案。计算机视觉已越来越多地被公认为奶牛养殖业中增强数据驱动决策的有力工具，应用于动物识别、饲喂或移动行为监测、体况评分、疾病检测、乳头状况评估等。在微生物学领域，计算机视觉已被应用于耐甲氧西林金黄色葡萄球菌筛查、B群链球菌检测和肠道原虫识别。然而，利用计算机视觉检测培养物中乳腺炎病原体的研究仍然很少。自动化图像分析有望减少观察者差异、降低对广泛人员培训的需求，并促进基于病原体的治疗方案更一致的实施。因此，本研究旨在开发和评估一种在标准化实验室条件下从血琼脂平板（含5%绵羊血胰蛋白酶大豆琼脂）数字图像中自动识别常见乳腺炎病原体的计算机视觉系统。
**二、技术方法概述**
研究使用了8种乳腺炎病原体分离株（*E. coli*, *K. pneumoniae*, *L. lactis*, *Staph. aureus*, *Staph. chromogenes*, *Strep. dysgalactiae*, *Strep. infantarius*, *Strep. uberis*）以及“无生长”类别。菌株来源于提交至动物健康诊断中心（康奈尔大学，伊萨卡，纽约州）的牛奶样本。以MALDI-TOF（基质辅助激光解吸电离飞行时间质谱）物种水平鉴定结果为金标准。采用定制光箱和数码相机在24小时和48小时获取培养平板图像，构建了自定义卷积神经网络（CNN）架构进行图像分类。模型以0.7:0.3比例划分训练集和测试集，采用实时随机数据增强，在GLSL WebGL2着色器中实现，使用NVIDIA RTX A6000 GPU训练。
**三、主要研究结果**
**描述性统计：** 研究共获得24小时和48小时数字图像各1,085张。排除147对MALDI-TOF log评分<2.0的图像后，剩余938张图像用于标注。共使用368个重复培养平板，每个病原体类别均达到至少100张图像的目标数量。
**模型性能：** 24小时模型总体分类准确率为74.0%，48小时模型为72.8%。24小时模型平均ROC AUC为0.950，48小时模型为0.943，表明各病原体类别之间具有很强的可分性。两种模型的混淆矩阵显示，除少数病原体外，模型能较好地区分大多数类别，但乳酸乳球菌和婴儿链球菌之间存在较多混淆。24小时模型中，*E. coli*、*Strep. uberis*和“无生长”类别的灵敏度较高（≥0.79）；48小时模型中，*E. coli*灵敏度提高至0.96，但*Strep. uberis*降至0.78。所有类别在两种模型中的特异性均≥0.92。
**基于治疗建议的二元分类：** 当根据抗菌药物治疗建议（治疗与不治疗）进行分组评估时，24小时模型和48小时模型均表现出优秀的临床适用性。24小时模型灵敏度为90.8%，特异性为92.9%，PPV为95.9%，NPV为84.4%，准确率为91.5%，F1分数为93.3%。48小时模型相应值为灵敏度92.3%、特异性90.1%、PPV 93.9%、NPV 87.8%、准确率91.5%、F1分数93.1%。这表明即使物种水平分类不完美，许多误分类发生在通常会导致相同抗菌药物治疗建议的病原体之间，因此不影响临床决策。
**四、讨论与结论**
本研究证明了利用计算机视觉从细菌培养图像中分类乳腺炎病原体的可行性。模型性能与此前计算机视觉在微生物学领域及奶牛养殖领域的应用研究结果相当。24小时图像与48小时图像的模型性能总体相当，表明早期（24小时）判读是可行的，这有利于更早做出治疗决策，进一步支持基于病原体的治疗策略以减少抗菌药物使用。自动化判读系统有望减少观察者间差异，降低人员培训需求，提高场内培养工作流程的可靠性。
本研究存在若干局限性：所有图像均在受控实验室条件下获取，现场条件下存在更多光照、角度和背景变化；数据集包含的病原体类别和图像数量相对有限；部分类别使用重复培养物可能限制了田间菌株的变异度；某些病原体菌落形态固有相似性。因此，需要在使用商业化场内培养系统和实际现场成像条件下进行进一步验证。未来研究应扩大数据集、评估不同深度学习架构和迁移学习方法，并探索与自动成像设备或移动应用的整合。
**结论：** 本研究证明了使用计算机视觉从细菌培养图像中分类乳腺炎病原体的可行性。所提出的架构表现出良好的分类性能，并在多种病原体类别中保持了准确性。经过进一步的开发和验证，自动化图像判读系统可能为乳腺炎诊断提供有用的工具，并在奶牛生产体系中促进基于病原体的治疗策略更一致的实施。
