基于深度學習構建大腸埃希菌和肺炎克雷伯菌的快速診斷模型

賴麗莎，鄧任堂，張露，揭育幫，丘文峰，徐軍發，付文金(1.廣東醫科大學 a.檢驗醫學研究所，b.生物醫學工程學院，廣東東莞 53808；.廣東醫科大學附屬厚街醫院檢驗科，廣東東莞 53945)

泌尿系感染(urinary tract infection，UTI)是泌尿系受到細菌侵襲而出現的炎癥，嚴重影響患者的生活質量，一旦擴散，將造成全身性感染[1]。目前，明確UTI病原菌的金標準是進行尿培養[2]。然而，尿培養所需時間長，可能耽誤感染患者的及時治療。因此，尋找一種快速可靠且易于分辨UTI病原菌的方法迫在眉睫。

隨著人工智能技術的推廣，深度學習越來越普遍應用于醫學[3-5]。深度學習是機器學習的分支，是一種以人工神經網絡為計算架構，對數據進行表征學習的方法。卷積神經網絡(convolutional neural network，CNN)作為深度學習最有效的神經網絡方法，已在醫學顯微圖像分類中有較多應用，例如：細菌性陰道病圖像分類[6]，糖尿病眼底視網膜病變圖像分型[7]，乳腺活檢樣本組織學切片中的癌癥標志物檢測[8-9]，血細胞形態識別[10-12]等。然而將深度學習技術與UTI革蘭染色圖像分析相結合，判斷中段尿沉渣中的病原菌，鮮有研究。本研究通過構建快速診斷模型EKNet，對引起UTI常見的革蘭陰性桿菌大腸埃希菌和肺炎克雷伯菌[13]進行分類，以實現對UTI病原菌的快速診斷。

1 資料與方法

1.1一般資料 選取2020年5月至12月在廣東醫科大學附屬厚街醫院確診UTI(未用抗菌藥物)病原菌為大腸埃希菌、肺炎克雷伯菌患者的中段尿標本，其中大腸埃希菌368例，肺炎克雷伯菌292例，采用ARIS 2X微生物系統鑒定病原菌。

1.2儀器與試劑 革蘭染色液(珠海貝索公司)，BX51顯微鏡(奧林巴斯公司)，TK-C9501EC高清彩色攝像機(日本JVC公司)，ARIS 2X微生物鑒定系統(美國賽默飛公司)，電熱恒溫培養箱(德國BINDER公司)。

1.3方法

1.3.1樣本收集、處理與圖像采集 留取UTI患者清潔中段尿5 mL，離心后吸取尿沉渣涂片，自然干燥，革蘭染色。收集經ARIS 2X微生物系統鑒定病原菌為大腸埃希菌或肺炎克雷伯菌的尿沉渣標本涂片，采集細菌顯微圖像。見圖1。為保持數據來源的多樣性和真實性，每份標本僅選取1張圖像。顯微圖像于正常臨床檢查過程中收集，為達到真實性，沒有對深度學習的顯微圖像的生物豐度或染色質量進行預篩選，圖像在染色強度、染色偽影和樣本分布方面具有典型的可變性。

圖1 顯微圖像采集步驟(革蘭染色)

1.3.2顯微圖像數據集的劃分 為驗證學習模型的訓練有效性，將760像素×570像素的顯微圖像數據按照8∶1∶1的比例隨機劃分為訓練集、驗證集和測試集3個部分。訓練集用于訓練模型，調整參數；驗證集用于檢驗模型的效果；測試集用于檢驗最優模型的性能和分類能力。見表1。

表1 各類樣本圖像數目

1.3.3細菌顯微圖像的預處理 為減少細菌圖像特征之間的相關性，同時保證模型的泛化能力，對原始圖像進行歸一化，對訓練集圖像以隨機水平翻轉的方式進行增強操作，將數據增強后的細菌圖像每批8張圖片進行歸一化后傳入網絡。

1.3.4基于深度學習方法的網絡訓練 細菌圖像分類的深度學習方法是一種改進的輕量級殘差網絡，暫命名為EKNet(取Eco和Kpn英文縮寫的首字母)，網絡參數個數為2 791 826，訓練優化器使用Adam，學習率為0.000 1，將預處理后的細菌圖像輸入殘差網絡模型，計算交叉熵損失，通過反向傳播算法進行參數優化，獲得預訓練模型EKNet。使用基于PyTorch的開源深度學習框架LisaDPF(開源地址：https://gitee.com/summit/lisadpf)，可以讓使用者針對應用場景快速生成訓練模型。該模型基于殘差網絡ResNet18進行改進，網絡由殘差前的卷積層(conv)、池化層(pool)、殘差塊層(Bottleneck)和全連接層(fc)組成，EKNet的網絡結構見圖2。

注：網絡輸入顯微細菌圖像，輸出所屬細菌分類的概率。框中的數字代表每個模塊輸出的通道數。conv，卷積層；pool，最大池化層；bottleneck，殘差塊層；avg pool，平均池化層；fc，全連接層。

1.3.5模型比對 以圖像分類常用的ResNet50模型和AlexNet模型作為對照，對表1訓練集和驗證集的顯微圖像進行迭代訓練和驗證，并對模型進行比對，評估EKNet模型的實用性。

1.3.6臨床測試 為評估EKNet模型的性能，使用UTI患者尿沉渣顯微圖像作測試集(病原菌為未知的革蘭陰性桿菌)對模型進行測試，輸出大腸埃希菌和肺炎克雷伯菌2種細菌類別中的每一種的相對概率，以概率高的細菌作為測試集的輸出結果，測試集的正確性以尿培養的結果作為評判。通過對測試集的準確性進行量化，初步評估模型的泛化能力。

2 結果

2.1深度學習模型的建立 本研究模型在殘差網絡ResNet18基礎上進行改進。與ResNet網絡模型相比，當前EKNet 4個殘差塊層的通道數均為ResNet18的一半，在不降低精度的同時，EKNet模型的參數量大幅度減少，以降低模型的復雜度，提高其泛化性，并減少推理時間。該模型測試單個樣本的平均用時是0.165 s，優于ResNet模型的0.38 s和AlexNet模型的0.66 s。使用不同的模型對表1訓練集和驗證集的顯微圖像進行迭代訓練和驗證，結果表明，EKNet模型能對2種不同的細菌進行精確的分類。EKNet模型實驗結果的驗證集準確率達到98.8%，優于ResNet50模型的96.4%和AlexNet模型的78.6%。見表2。EKNet模型的訓練損失和驗證損失均能保持一致下降，表明訓練過程無過擬合跡象，見圖3A。相對于EKNet模型，ResNet50模型的訓練集與驗證集的損失函數在縱向存在一定距離，即存在一定的過擬合現象，見圖3B。與EKNet模型相比，AlexNet模型的訓練無法正常收斂，存在明顯過擬合現象，見圖3C。

表2 不同模型的訓練結果對比

2.2臨床測試結果 104例測試集包含大腸埃希菌56例，肺炎克雷伯菌48例，輸出結果與尿培養結果完全吻合，正確率為100%。該模型測試樣本的平均用時為0.165 s。

注：A，EKNet模型；B,ResNet50模型;C,AlexNet模型。

3 討論

UTI是常見的感染性疾病，革蘭染色法能在較短時間內對感染的細菌進行識別[14]，但革蘭染色結果只能提供細菌形態學依據，不能定位病原學種類。本研究選擇使用CNN，是因為其在圖像分析任務中具有出色的能力，除圖像采集之外無需人工干預。本研究擬建立EKNet模型對大腸埃希菌和肺炎克雷伯菌這2種細菌圖像進行快速判讀分析，快速可靠地分辨UTI病原菌，為臨床早期診斷提供重要的指導意義。

ResNet18是針對ImageNet自然場景數據集的分類，由于細菌顯微圖像與通過攝像機采集的自然場景圖像在采集方式、數據源上不一致，使用原模型對細菌進行分類可能會失效，而且網絡模型深度增加容易出現參數量過多、過擬合以及難以訓練等問題[15]。因此，本研究在殘差網絡ResNet18基礎上進行改進：引入殘差塊、進行數據增強和歸一化。引入的殘差塊有利于網絡在梯度下降時的快速收斂，提高模型的表達能力；數據增強能有效地緩解訓練數據不足導致的深度學習模型過擬合，進一步提高模型的精度和泛化能力；歸一化處理能消除采集數據過程中存在的噪音，使采集的數據統一到一個特征維度，有利于網絡訓練在反向傳播期間更好地收斂。與ResNet18網絡模型相比，EKNet模型的特征通道數量減少，通過減少模型參數以降低模型的復雜度，對圖像的識別準確率達98.8%。在臨床測試中，EKNet模型的輸出結果與尿培養結果完全吻合，顯示該模型具有較好的泛化能力，在大腸埃希菌和肺炎克雷伯菌這2種細菌之間具有強大的區分能力。由此可見，本研究構建的EKNet模型實現了對泌尿系統感染常見細菌的快速診斷。

本研究也存在一定的局限性。該模型目前僅包含大腸埃希菌和肺炎克雷伯菌2種病原體，缺乏抗菌藥物作用下的細菌L型和其他革蘭陰性桿菌。課題組正在添加樣本的種類與數量，以期區分更多不同類別的細菌。我們相信，提供深度學習圖像分類的結果，可以為微生物的診斷提供廣闊的前景。

綜上所述，本研究成功構建的大腸埃希菌和肺炎克雷伯菌的圖像診斷模型，具有識別準確率高、速度快、操作簡便、泛化強等優點，為臨床UTI的快速診斷提供參考。