回首頁LOGO按鈕

這項研究介紹了名為 AIRDIS 的人工智慧拉曼檢測與鑑定系統，旨在針對臨床上極具威脅的 MRSA（抗藥性金球菌）與 CRKP（抗藥性克雷伯氏肺炎菌）提供快速預測。傳統微生物鑑定與抗藥性測試往往需耗時數日，而該系統透過 拉曼光譜 技術結合 深度學習 模型，能從細菌的生化特徵中自動提取細微差異。研究團隊收集了超過兩千株臨床分離株進行訓練與驗證，結果顯示該模型在預測抗藥性方面達到 87% 至 88% 的準確率。此技術具備非破壞性且無須標記的優點，能大幅縮短診斷流程並減少病患死亡率。AIRDIS 已獲得美國 FDA 的分類建議，展現出整合進現有醫療工作流並對抗全球 抗藥性（AMR） 危機的巨大潛力。

摘要:

目的:抗甲氧苯青黴素金黃色葡萄球菌（MRSA）碳青黴烯類抗藥性肺炎克雷伯氏菌（CRKP）拉曼光譜（Raman spectroscopy）機器學習的細菌鑑定及抗藥性預測系統，用於預測 MRSA 和 CRKP。

方法:本研究共收集了 988 株金黃色葡萄球菌（包含 513 株 MRSA）和 1053 株肺炎克雷伯氏菌（包含 517 株 CRKP）。其中，266 株金黃色葡萄球菌和 285 株肺炎克雷伯氏菌用於訓練，其餘則用於驗證。

結果:該系統展現出優異的預測性能，預測 MRSA 的準確度（accuracy）與受試者操作特徵曲線下面積（AUROC）值分別為 88% 和 0.92，而預測 CRKP 的數值則分別為 87% 和 0.96。

結論:研究結果證實了機器學習解釋拉曼光譜以預測臨床微生物實驗室中抗藥性細菌的能力。這是首個經過大量臨床分離株驗證的創新系統，並可整合至現有的臨床工作流程中。

全文連結: https://pubmed.ncbi.nlm.nih.gov/40750044/