本發(fā)明涉及微生物檢測與人工智能，具體為一種基于單幅圖像和深度學習的細菌集群運動分類方法及系統(tǒng)。

背景技術：

1、運動性是細菌的基本特征。區(qū)分群集和浮游等細菌運動形式具有重要的概念和臨床意義?，F(xiàn)有技術中，細菌群集的檢測涉及在瓊脂表面接種樣品并觀察菌落擴增，使用循環(huán)限制區(qū)分細菌中的群集和浮游運動的方法提供了一些快速檢測群集的方法，這是定性的、時間密集的，并且需要額外的測試以排除其他運動形式。然而，它仍然在很大程度上取決于實驗人員的專業(yè)知識，這使得該過程勞動密集型，成本高，速度慢，并且容易受到不可避免的人為偏見的影響。在現(xiàn)有技術中，群集檢測方法主要依賴于手動、耗時的方法進行檢測，這些方法容易受到人類偏見、經驗的影響。

2、具體的，對于現(xiàn)有技術中的細菌運動試驗，研究人員將樣品接種在0.5％(w/v)或0.3％(w/v)瓊脂表面，觀察菌落擴張，以確定樣品細菌是否游動或群集。然而，這種定性方法需要至少10小時，并且需要額外的實驗來排除滑動或滑動運動。為此，先前的工作已經成功地區(qū)分了浮游和群集腸桿菌sm3在軟瓊脂表面上的高效和確定性的運動模式，這是通過使用具有圓形孔的聚二甲基硅氧烷(pdms)芯片來放大群集和浮游運動模式之間的差異，以便更清晰地觀察。這項先前的研究使用基于肉眼的觀察，并輔以渦旋階數(shù)參數(shù)和空間自相關函數(shù)，研究了sm3群體和sm3浮游運動員在限制條件下的視覺和身體差異。具體而言，除了直接的視覺檢查外，還使用每個捕獲視頻的圖像序列來計算速度場，然后計算參數(shù)和函數(shù)，揭示出群集表現(xiàn)出單一的漩渦運動模式，而它們的浮游生物對應物在限制內形成多個隨機分布的局部漩渦。這個過程需要手動標記感興趣區(qū)域(roi)并平滑向量場，這相對費力，耗時且容易出錯，因此不適合高容量和自動化設置。此外，用于區(qū)分群集和浮游等運動模式的渦旋階數(shù)參數(shù)和多種其他參數(shù)的閾值的確定是主觀的，并且嚴重依賴于經驗判斷，使得模糊模式難以定義和標準化，并進一步使結果的解釋復雜化。因此，迫切需要一種自動，客觀和定量的圖像識別方法，能夠對細菌運動類型做出準確和快速的決定。

3、近年來人工智能(ai)的快速發(fā)展為解決這個問題提供了一條有前途的途徑。深度神經網絡(dnn)因其處理表現(xiàn)出非線性關系的高維，稀疏和噪聲數(shù)據(jù)的非凡能力而脫穎而出。此功能允許dnn識別相似圖像或視頻之間的細微區(qū)別，即使在各種嘈雜的環(huán)境中也是如此。因此，dnn已被廣泛應用于生物醫(yī)學領域，例如微生物檢測、疾病檢測、細胞，細胞器、器官分割等。雖然ai已被用于分析物種表型的細菌運動特性，并確定群集發(fā)育的各個階段，但從原始顯微視頻或圖像中直接，端到端區(qū)分運動類型，如群集和浮游，在很大程度上尚未探索。

技術實現(xiàn)思路

0、發(fā)明概述

1、為了解決這些局限性，發(fā)明人開發(fā)了一種基于單幅圖像和深度學習的細菌集群運動分類系統(tǒng)，用于確定表面細菌運動類型，該分類器可以使用單個模糊圖像快速、準確、自主地預測群集概率并且積分時間很長，從而提供了一種適合高通量環(huán)境的定量和自動化方法。與傳統(tǒng)的基于捕獲視頻的手動處理方法相比，本方法特別適用于高通量環(huán)境，并提供了群集概率的客觀定量評估。

2、與傳統(tǒng)的基于視頻的人工干預群集檢測方法不同(見圖1(a))，這種深度學習的方法可以使用單個模糊圖像快速自動地從非群集浮游生物運動模式中識別群集事件，如圖1(b)所示。使用基于注意力的神經網絡開發(fā)的群集dnn分類器經過訓練，通過長時間積分來解釋單個圖像中編碼的特定時空特征，從而區(qū)分群集和浮游運動模式，對內部泛化(sm3細菌)和外部泛化測試產生高特異性和敏感性，涉及以前從未見過的其他類型的細菌，如粘質沙雷氏菌db10和koseri檸檬酸桿菌h6。該技術為評估樣本的群集概率提供了一種自動化，客觀，高效和定量的方法。這一進步有可能發(fā)展成為便攜式系統(tǒng)，或者與簡單的一次性芯片一起集成到基于智能手機的設備中，為現(xiàn)場篩選復雜樣品中的微生物運動性創(chuàng)造了一種方便，快速和實用的方法，并有助于特異性和敏感地檢測各種細菌疾病。

3、示例性的，可以選擇在腸桿菌屬sm3上訓練群集分類器，并且在sm3的新群集(陽性)和浮游(陰性)測試圖像上盲目測試時顯示出良好的性能，靈敏度為97.44％，特異性為100％。此外，當應用于未知的細菌物種(例如粘質沙雷氏菌db10和檸檬酸桿菌koseri?h6)時，該分類器表現(xiàn)出強大的外部泛化能力。這種競爭性表現(xiàn)表明，有可能通過便攜式設備將該方法應用于診斷應用，這將有助于快速，客觀，現(xiàn)場篩查細菌群集運動，有可能增強各種疾病的早期檢測和治療評估，包括炎癥性腸病(ibd)和尿路感染(uti)等。

4、定義

5、貫穿以下描述和權利要求使用某些術語來指代特定系統(tǒng)組件和配置。正如本領域技術人員將理解的那樣,相同的組件可以用不同的名稱指代。本文檔無意區(qū)分名稱不同但功能不同的組件。在以下討論和權利要求中,術語“包括”和“包含”以開放式方式使用,因此應解釋為“包括但不限于……”?！癱ouple”或“couples”意指間接或直接連接。因此,如果第一設備或設備耦合到第二設備或設備,則該連接可以是通過直接連接,或通過經由其他設備或設備和連接的間接連接。

6、對諸如“頂部”、“前部”、“底部”和“后部”之類的相對術語的引用用于提供元件之間的相對關系,并且并不旨在暗示任何絕對方向。為了簡單和清楚起見,可以以不同比例任意繪制各種特征。

7、當與權利要求和/或說明書中的術語“包括”一起使用時,單詞“a”或“an”的使用可能表示“一個”,但它也與“一個或多個”的含義一致”“至少一個”和“一個或多個”。

8、貫穿本技術,術語“約”用于指示值包括用于確定該值的設備或方法的誤差標準偏差。

9、如本文所用,術語“樣品”或“測試樣品”通常指懷疑含有一種或多種目標菌株的材料。測試樣品可直接使用,如從來源獲得或經過預處理以改變樣品的特性。測試樣品可以來自任何生物來源,例如生理液體,包括血液、間質液、唾液、晶狀體液、腦脊髓液、汗液、尿液、乳汁、腹水、粘液、滑液、腹膜液、陰道分泌物、羊水等。測試樣品可以在使用前進行預處理,例如從血液制備血漿、稀釋粘性流體、裂解樣品中的微生物等。處理方法可能包括過濾、沉淀、稀釋、蒸餾、混合、濃縮、干擾成分的滅活、裂解生物體和/或細胞,以及添加試劑。除了生理流體、其他液體樣品例如水、食品、土壤等可用于進行環(huán)境或食品生產分析。此外,懷疑含有目標的固體材料可以用作測試樣品。在一些情況下,修飾固體測試樣品以形成液體介質或釋放靶標(例如,核酸)可能是有益的。

10、術語“集群運動”

11、集群運動(swarming?motility)是很多細菌在固體表面依靠鞭毛的旋轉運動向同一個方向前進，屬于群體性的、有固定方向的擴展運動。群體運動、高覆蓋率、高擴散速度；群體密度較高，因為細菌以群體形式運動并覆蓋大面積區(qū)域。

12、術語“浮游運動”又稱為“游泳運動”

13、浮游運動(swimming?motility)是單個細菌在液體環(huán)境中依靠鞭毛的旋轉運動向一個方向前進，屬于個體性的、有固定方向的運動。

14、術語“信號對比度”：信號對比度是指圖像或信號中目標區(qū)域(如細菌集群)與背景區(qū)域之間強度差異的量化指標，用于評估不同幀數(shù)下生產的單圖像，從而對比區(qū)分集群和浮游等運動狀態(tài)的難易程度。

15、術語“損失函數(shù)”，“加權交叉熵損失”：在深度學習中，損失函數(shù)是衡量模型預測結果與真實標簽之間差異的數(shù)學函數(shù)，用于指導模型參數(shù)優(yōu)化(如通過反向傳播)。目標是最小化損失值?！敖徊骒負p失”用于分類任務，衡量預測概率分布與真實分布的差異；加權交叉熵是對標準交叉熵的改進，通過為不同類別分配權重，解決數(shù)據(jù)不平衡問題(如集群樣本遠少于浮游樣本時)

16、術語“hough圓變換”：一種基于霍夫變換(hough?transform)的圖像處理算法，用于檢測圖像中的圓形或弧形結構。其原理是將圖像空間中的邊緣點映射到參數(shù)空間(圓心坐標、半徑)，通過累加投票確定最可能的圓。

17、發(fā)明詳述

18、本部分進一步對
技術實現(xiàn)要素：
進行分部分詳述和解釋

19、微生物樣品的制備

20、將細菌菌株復蘇，制備成細菌培養(yǎng)物接種在包含瓊脂的軟平板上，細菌種群開始群集一定時間后，將微流控芯片安裝在群集菌群的邊緣位置。

21、安裝時微孔向下，將運動的細菌限制在微孔和軟平板的培養(yǎng)基之間。

22、細菌種群群集運動的時間可根據(jù)細菌種類而定，例如可以為5-10、6-8、5-9、5-8小時等，具體可以為6、7、8小時。

23、所述菌株是在-80℃甘油原液中進行保存的；進一步的，菌株活化使用的培養(yǎng)基可以是常用培養(yǎng)基，例如含10g/l胰蛋白胨，5g/l酵母和5g/l?nacl的水溶液的lb培養(yǎng)基。

24、菌株活化復蘇培養(yǎng)條件：37℃培養(yǎng)箱中以200rpm搖動過夜(例如可以為16小時)。

25、菌株接種步驟：將過夜細菌培養(yǎng)物接種在瓊脂平板，細菌培養(yǎng)物可以是菌液，體積可以為1-10μl，例如2μl、3μl、4μl、5μl、1μl、0.5μl等，接種細菌密度可以為108-1010cfu/ml；優(yōu)選為109cfu/ml。

26、示例性的，可以將菌液和pbs混勻后液體濃度為100mg/ml，在進行點樣到培養(yǎng)皿上進行培養(yǎng)。讓細菌填滿微孔，根據(jù)細胞密度計算，當在22μm深的微孔中，細菌菌落能夠在培養(yǎng)基上形成10–40μm厚度的層。

27、所述培養(yǎng)平板為半固體平板，優(yōu)選軟瓊脂、粘膜或導管、甲基纖維素半固體培養(yǎng)基、牛肉蛋白胨半固體瓊脂等潮濕的半固體表面，對于材質并不需要特別限定，只要能夠符合潮濕程度的材質均可以用于培養(yǎng)平板。潮濕程度可以通過水分活度(aw)來量化，計算公式為：aw＝p/p0，其中p是樣品中水的蒸汽壓，p0是相同溫度下純水的蒸汽壓，適合細菌運動的半固體平板水分活度范圍在0.90-0.999之間。

28、以軟瓊脂為例，瓊脂的成分可以調整，例如不同的瓊脂濃度或不同的營養(yǎng)成分?？梢圆捎矛F(xiàn)有技術已知的培養(yǎng)基制備而成。

29、進一步的，提供一種制備組分為示例，但并不用于限定保護范圍：1％(w/v)胰蛋白胨、0.5％(w/v)酵母、0.5％(w/v)氯化鈉、0.5％(w/v)瓊脂和20毫升去離子水配制而成，體積可以為20ml/平板，其中瓊脂也可以替代為卡拉膠、海藻酸鈉、明膠等。然后采用常用滅菌方法：高壓蒸汽滅菌法、干熱滅菌法、過濾除菌法、紫外線滅菌法等進行滅菌。采用冷卻方法：冷水浴冷卻、冰塊冷卻法、風扇冷卻法等進行冷卻。

30、芯片的結構

31、樣品制備過程中所使用的微流生物芯片為包括多個排列的微孔的透明材質制備而成的。

32、微孔孔徑可根據(jù)微浮游對象的特點在30μm到200μm之間進行調節(jié)，優(yōu)選為30-100μm、30-90μm、40-90μm、50-80μm。

33、作為示例微孔孔徑可以為50μm、55μm、60μm、65μm、70μm、73μm、74μm、75μm、76μm等。

34、一張pdms片材上的孔并不需要特別限制，其排列可以為100x?100、200x200、300x300等，但也可以是任何微孔整數(shù)的組合，也并不限于必須為橫縱邊長度一致的正方形，也可以為其他便于操作的幾何形狀，例如長方形、圓形、菱形等。

35、pdms片材的寬度和長度可以定制到0.1-100cm的單邊長度，優(yōu)選0.5cm?x?0.5cm,1cm?x?1cm，1.5cm?x?1.5cm，2cm?x?2cm，。

36、微孔的上下表面曲率可以是不均勻的圓形和其他形狀例如不規(guī)則多邊形等，允許在不同表面上進行優(yōu)化。

37、微孔深度可以為10-50μm，優(yōu)選18-40μm、18-30μm、18-25μm、20-30μm，作為示例，微孔深度可以為18μm、19μm、20μm、21μm、22μm、23μm、24μm、25μm等。

38、生物芯片的材料是聚二甲基硅氧烷(pdms)。然而，任何其他允許細菌在微孔內運動的透明材料都可以作為替代品。合適的熱塑性材料包括硅、玻璃、聚(甲基丙烯酸甲酯)(pmma)、聚碳酸酯(pc)、聚酰亞胺(pi)、環(huán)烯烴共聚物(coc)、天然聚合物、纖維素膜、凝膠等。

39、在一個具體的實施方式中，

40、一種生物芯片，約1cm2大，0.3mm厚。每一張pdms薄片材都是一塊生物芯片，在表面的一側有一排微孔。圓形孔的直徑為50μm，深度22μm，在一塊pdms片上大約有10000個微孔。

41、一種生物芯片，約1cm2大，0.3mm厚。每一張pdms薄片材都是一塊生物芯片，在表面的一側有一排微孔。圓形孔的直徑為74μm，深度22μm，在一塊pdms片上大約有10000個微孔。

42、一種生物芯片，約1cm2大，0.3mm厚。每一張pdms薄片材都是一塊生物芯片，在表面的一側有一排微孔。圓形孔的直徑為65μm，深度20μm，在一塊pdms片上大約有10000個微孔。

43、樣品和芯片的制備程序，可以參考2025104688540中記載，本文中此處引用該專利全文作為參考。

44、圖像捕獲

45、制備樣品并使用芯片限制后，使用成像裝置對其進行圖像或視頻捕獲。

46、成像裝置可以為相差顯微鏡。

47、當進行視頻捕獲時，可以是一定的幀速率進行捕獲，例如可以為10-50fps、15-45fps、10-40fps、20-40fps，具體的可以為20fps、24fps、29fps、30fps、31fps、32fps等幀速率進行視頻捕獲。

48、示例性的，成像視場(fov)跨度約為422×353μm2，相當于2448×2048像素；

49、相差顯微鏡可以為olympus?ckx41、nikon?eclipse?ti2/ti-e、nikon?eclipseci/e200、nikon?ts2/ts2-fl、leica?dmi8、zeiss?axio?observer?7等。

50、物鏡倍數(shù)4x、10x、20x、30x、40x，優(yōu)選20-40x，以能夠捕獲清晰圖案為準。

51、圖像處理和訓練/驗證數(shù)據(jù)集準備

52、在視頻采集顯示群集(陽性)或浮游(陰性)狀態(tài)的細菌后，準備進行訓練/驗證數(shù)據(jù)集的圖像處理工作流程(參見圖10)：具體包括圖像處理工作流程，用于準備單個圖像作為基于深度學習的群體分類器的訓練，驗證和測試的輸入：獨立實驗的原始視頻——剪裁——連續(xù)10幀的測試孔——沿時間域平均——標準化前測試孔的單個圖像——孔外區(qū)域的標準化+阻塞(設置為0)——標準化后測試孔的單個圖像——基于深度學習的群集分類器。

53、進一步的，還可以使用hough圓變換自動執(zhí)行此步驟，以識別和選擇完整的圓形孔進行分析，圖11顯示基于hough圓變換的自動選孔演示。圖11(a)顯示自動選孔之前的一個示例視頻的第一幀；圖11(b)顯示使用hough圓變換選擇用于分析的完整微孔的圖示。

54、首先，為每個視頻手動選擇單個微孔/限制的質心坐標。然后在所有時間點使用500×500像素的窗口大小從整個成像fov空間裁剪以這些坐標為中心的圖像序列。為了獲得每個測試孔的單個圖像以訓練/驗證基于深度學習的群集分類器，在時域上對裁剪圖像序列的每10個連續(xù)幀進行平均，模擬10倍更長的積分時間。然后將得到的單個圖像歸一化為零均值和單位方差。此外，為了消除背景特征或噪聲的任何干擾，將微孔外區(qū)域的強度值設置為零。

55、重要的是要注意，如前一節(jié)所述，由于用于為細菌群集(陽性)和浮游生物(陰性)狀態(tài)準備孔的不同實驗方案，我們研究中孔圖像的標簽是客觀得出的。具體而言，所有陰性樣品均來自對照實驗方案，而所有陽性樣品均來自旨在誘導群集的實驗。該方法有效地排除了正負孔之間標簽混淆的可能性。此外，手動仔細檢查每個孔圖像，以排除任何表現(xiàn)出散焦或對比度差的圖像?？偟膩碚f，該數(shù)據(jù)集包括來自6個群集實驗的52個微孔和來自10個浮游生物實驗的38個微孔的訓練/驗證圖像。通過對用于平均的10幀序列的起點和終點進行時變數(shù)據(jù)增強，我們生成了1301個正圖像和2703個負圖像，用于訓練和驗證。

56、注意模塊

57、基于深度學習的群集分類器是使用densenet作為其架構主干開發(fā)的，其詳細結構如圖2所示。在densenet結構之前，使用標準卷積神經網絡構建的注意模塊被用來自適應地確定注意圖上圓形活動區(qū)域的半徑r和質心偏移(sx和sy)。這個注意力圖是由下面定義的s形函數(shù)生成的，

58、

59、其中r，sx和sy是注意力模塊預測的參數(shù)，x和y是水平和垂直方向上的圖像索引，范圍為[-250，250]像素。k是調整s形函數(shù)斜率的因子，根據(jù)經驗將其設置為0.0001。此外，r預測被限制在[160,230]像素的范圍內，而sx和sy預測被限制在[-10,10]像素內。由于s形函數(shù)的連續(xù)可微性，使用此函數(shù)而不是二進制分割生成注意力圖可確保梯度在訓練過程中正確反向傳播。對于使用矩形注意圖的比較神經網絡，注意模塊輸出的參數(shù)與用于定義圓形注意圖的參數(shù)不同。注意模塊不輸出半徑r和質心偏移(sx和sy)，而是指定高度h、寬度w和質心偏移(sx和sy)來定義矩形注意區(qū)域。此矩形注意力圖是使用以下公式生成的：

60、

61、其中h,w,sx和sy是注意力模塊預測的參數(shù)，用于定義矩形注意力圖的位置和尺寸，x和y是水平和垂直方向上的圖像索引，范圍為[-250,250]像素。k根據(jù)經驗設置為0.05。h和w預測被限制在[320,460]像素的范圍內，sx和sy預測被限制在[-10,10]像素內。獲得注意力圖后，將其與輸入圖像像素相乘。產生的圖像作為densenet模塊的最終輸入，以減輕邊緣偽影，特別是在正面和負面測試微孔圖像中觀察到的外圍亮環(huán)。利用注意機制，而不是為r,sx和sy設置固定值，允許根據(jù)當前輸入動態(tài)調整。這種方法不僅有助于消除邊緣偽影，而且可以確保在每個測試圖像中保留最有價值的信息，并且可以在圖像裁剪過程中容忍不可避免的質心偏移。

62、進一步的，可以采用損失函數(shù)訓練群集分類器；用于訓練群集分類器網絡的損失函數(shù)進一步是加權交叉熵損失，定義為：

63、

64、其中p表示網絡輸出，它是softmax層之前每個類(群集或非群集)的概率得分，g是基本事實，它被設置為0(負，非群集)或1(正，群集)在我們的二進制分類設置中(對于正類，gk,1＝1，對于負類，gk,2＝0)，k是一批訓練實例的總數(shù)(k＝32)。wl分配給每個類別的權重，以平衡不均勻的正/負樣本分布，定義為wl＝1-dl,，其中dl是l類樣本的百分比(d1＝32.5％為正類，d2＝67.5％為負類)。

65、在訓練過程中，我們利用了批量標準化和拒絕(速率為0.5)等技術。加載訓練數(shù)據(jù)集以進行數(shù)據(jù)增強時，使用了圖像翻轉和旋轉。使用adam優(yōu)化器優(yōu)化了網絡模型，該優(yōu)化器的動量系數(shù)為(0.9，0.999)。初始學習率設置為10-3，并由每10個時期系數(shù)為0.9的調度器降低。我們的模型是在nvidia?geforce?rtx?3090gpu上訓練的，批量大小為32。我們工作中使用的最終模型是根據(jù)最低的驗證損失選擇的。一旦獲得模型，僅需0.4秒即可預測一個測試孔圖像的運動類型(群集或非群集)。測試階段(用于生成圖3)的固定決策閾值設置為0.72，這是從驗證數(shù)據(jù)集確定的，以保持最大靈敏度，同時實現(xiàn)100％的特異性。

66、不同集成框架的對比分析與網絡性能評估

67、為了研究用于生成單個圖像網絡輸入的集成幀數(shù)如何影響網絡性能，我們首先對包含區(qū)分群集和浮游運動的“亮環(huán)”特征的roi進行了對比分析。某個孔的roi定義為內徑為100像素外徑為180像素的環(huán)。然后，我們使用從原始視頻中平均1、5、10、15或20個連續(xù)幀生成的單個圖像，計算出該roi內的平均強度(正孔為ipos，負孔為ineg)。接下來，在盲測試集中的所有114個正孔和111個負孔中計算這些平均強度，得出每個積分設置的最終值(見圖8(c-d))。隨后，我們通過將信號對比度定義為：

68、

69、每個積分設置的信號對比度值如圖8(e)所示。此外，我們訓練了四個額外的群集檢測神經網絡，每個神經網絡分別使用從1、5、15或20幀平均的單個圖像。包括我們的10幀集成標準設置，這產生了五個用于比較性能評估的模型，其結果在圖8(f)中給出。為了確保公平性，所有模型均采用相同的網絡體系結構，訓練超參數(shù)，收斂標準和其他訓練/測試條件，僅用于生成其輸入圖像的幀數(shù)不同。

70、所有圖像預處理和數(shù)據(jù)集準備均使用matlab?r2022b版(mathworks)進行。使用pytorch?1.10.1，在python?3.7.11中開發(fā)了用于訓練群集分類dnn模型的代碼。所有網絡培訓和測試任務均在配備intel?core?i9-10920x?cpu、256gb內存和nvidia?geforce?rtx3090gpu的臺式計算機上進行。

71、網絡評估模塊

72、為了評估我們基于深度學習的群集分類器的分類性能，我們使用了靈敏度和特異性的測量值，定義為：

73、

74、其中tp表示真陽性，tn表示真陰性，fp表示假陰性，fn表示假陰性。

75、此外，在t-sne分析中，為了突出假陽性和假陰性的特征，我們基于深度學習的分類器使用的相同輸入由預訓練的vgg-16模型進行特征提取，因為它旨在模擬人類視覺系統(tǒng)中視覺信息的分層處理。然后使用t-sne方法對提取的特征進行降維，并使用pytorch庫中提供的默認設置在圖9(b)中顯示所得的二維投影。

76、有益效果

77、本發(fā)明開發(fā)的一種基于ai的運動測試模型，該模型能夠使用單個圖像快速準確地預測每個測試限制內群集的概率，積分時間約為0.3秒。與結腸鏡檢查或糞便微生物組宏基因組學分析相比，這種非侵入性和經濟的基于ai的運動測試將提供幾個優(yōu)點，包括減少患者的不適感，成本效益，快速結果交付和用戶友好的讀數(shù)。此外，除了最初的樣本采集和圖像采集外，以下檢測過程是完全自動化的，只需要最少的人工監(jiān)督和參數(shù)調整。這不僅節(jié)省了人力，而且確保了客觀和定量的評估沒有個人偏見。在高容量環(huán)境(例如，在多孔板中生長的多個生物樣品)中特別有價值，與人類干預的觀察相比，本發(fā)明的方法顯著減少了對人類專業(yè)知識的依賴，并提高了檢測通量，從而有可能實現(xiàn)對相關疾病的有效現(xiàn)場篩查。該方法的優(yōu)點是可以更早地拾取運動信號。檢查員不需要等待菌落生長成一個大的群集，直徑約2厘米的小菌落就足以進行測試。此外，本發(fā)明的方法適用于各種應用場景，允許通過靈活的決策閾值設置根據(jù)特定需求調整靈敏度或特異性偏好。例如，在疾病或感染可能導致嚴重后果的情況下，可以通過降低決策閾值(在特異性方面進行折衷)來提高我們方法的檢測靈敏度。相反，在治療痛苦或資源密集的情況下，可以通過在我們的方法中設置更高的閾值來增強檢測特異性(靈敏度有所降低)。值得注意的是，這種決策閾值調整將是針對每個特定應用場景量身定制的一次性工作，這與傳統(tǒng)分析方法所需的每個單獨測量的密集參數(shù)調整本質上是不同的。最后，我們方法中基于單圖像的檢測機制不需要具有高幀速率的先進顯微鏡。這有助于將基于ai的檢測算法以及一次性pdms芯片轉移到便攜式設備，甚至智能手機上，這可能被用于預測實時群集概率。

78、總而言之，使用單個圖像以約0.3秒的長集成時間對細菌運動進行即插即用自動分類是從最新技術向前邁出的重要一步。對真實糞便樣品中混合細菌環(huán)境的進一步研究以及對當前工作的用戶友好改進可能會導致開發(fā)一種實用應用程序(例如，用于智能手機)，能夠實時捕獲圖像并對其進行處理，為分析各種環(huán)境中的細菌運動提供方便而直接的方法。