基于深度學習病原微生物形態(tài)學檢測方法的研究現(xiàn)狀及展望

孔令敏，劉恰，姜廷帥，衛(wèi)娜，田越，崔驪，云慶輝

中國人民解放軍空軍軍醫(yī)大學第一附屬醫(yī)院 器材設(shè)備科，陜西 西安 710032

引言

病原微生物是指能夠引起人或動物感染疾病的微生物，主要包括病毒、細菌、寄生蟲和真菌等。這些病原微生物可在短時間內(nèi)通過氣溶膠、體液、食物以及身體接觸輕易傳播，會導致各種傳染病甚至死亡，對全球公共衛(wèi)生構(gòu)成巨大威脅[1-2]。預防傳染病作為公共衛(wèi)生措施極其重要，主要有3 個基本策略：① 控制傳染源；② 切斷傳播途徑；③ 保護易感人群。這些策略中，控制傳染源因其方便且成本低，被認為是最關(guān)鍵的策略。早發(fā)現(xiàn)、早診斷和早治療是控制傳染源的有力措施，在進行及時診斷和治療感染者的過程中，需要快速、敏感和準確的病原微生物檢測方法[3]。病原微生物的準確快速檢測是診斷和預防疾病的關(guān)鍵，不僅在公共衛(wèi)生方面至關(guān)重要，而且在食品安全[4-5]、環(huán)境污染監(jiān)測[6]、臨床診斷[7]及反生物恐怖主義[8-9]等方面也具有重要意義。目前，傳染病臨床診斷中病原微生物的分析方法可分為4 類：化學方法、物理方法、生物分子學方法和形態(tài)學檢測方法[6]。

（1）化學方法。酶聯(lián)免疫吸附試驗（Enzyme Linked Immunosorbent Assay，ELISA）是基于特異性抗原識別和酶的高效生物催化特性，該酶與抗體或抗原結(jié)合，催化顯色底物轉(zhuǎn)化為可見比色輸出并放大信號，利用該原理可對微生物進行檢測。由于其簡單、易于操作和高通量，ELISA 常用于臨床診斷、食品安全和環(huán)境檢測等[10]。但ELISA 使用的化學試劑成本高且會造成二次污染。

（2）物理方法。研究表明光譜技術(shù)是一種快速、廉價和無損的病原微生物鑒定工具，如拉曼光譜技術(shù)根據(jù)不同的病原微生物表型以獨特的分子組成，導致其相應(yīng)的拉曼光譜存在差異，對病原微生物單個細胞的拉曼光譜信號進行采集，可以識別病原微生物的種類[11]。高光譜成形技術(shù)可同時采集病原微生物樣本的一維空間信息和二維光譜信息，從而生成三維數(shù)據(jù)立方體，通過分析病原微生物數(shù)據(jù)立方體的光譜信息和空間信息對其鑒別[12-13]。此外，光譜技術(shù)往往需要昂貴的設(shè)備。

（3）分子生物學方法。通過基因組序列分析區(qū)分微生物，如聚合酶鏈式反應(yīng)（Polymerase Chain Reaction，PCR），是一種核酸擴增技術(shù)，這一方法相比傳統(tǒng)的基于培養(yǎng)和平板計數(shù)的方法具有檢測速度快、靈敏度和特異性高等優(yōu)點，但其檢測過程中需要特定的儀器和專業(yè)的人員[1-2]。

（4）形態(tài)學檢測方法。最直接和簡單的方法，在顯微鏡下觀察病原微生物，并根據(jù)其細胞形狀手動識別。如在顯微鏡下觀察細菌，可根據(jù)其形狀特征、排列方式和革蘭氏染色等形態(tài)學特征對細菌進行鑒別和分類[14]。形態(tài)學方法是上述方法中成本最低的，但該方法較為繁瑣和耗時。此外，對顯微鏡下的圖像人工分析存在客觀不穩(wěn)定性，結(jié)果的準確性往往取決于檢驗人員的水平。

以上研究表明，將圖像處理方法引入到病原微生物形態(tài)學檢測中具有重要意義。近幾年，人工智能（Artificial Intelligence，AI）技術(shù)發(fā)展迅速，特別是在計算機視覺、圖像處理方面取得了重要的成就。AI 在病原微生物顯微鏡下形態(tài)學檢測中也顯示出了潛在優(yōu)勢。

1 人工智能

AI 發(fā)展經(jīng)歷了三次浪潮，從1956 年AI 概念的首次提出，到20 世紀80 年代基于機器學習的專家系統(tǒng)的應(yīng)用，以及2010 年以來深度學習和大數(shù)據(jù)興起帶來的AI 爆發(fā)（圖1）[15]。AI 在眾多領(lǐng)域都表現(xiàn)出了卓越的性能，如自動駕駛、人臉識別和疾病診斷等方面。AI 在微生物圖像分析中可以承擔繁重和耗時的工作，快速地從圖像數(shù)據(jù)中提取有價值的信息，具有強大的客觀分析能力，可避免人工分析造成的主觀差異。因此，AI 在一定程度上，可以減少微生物學家的誤判，提高診斷效率[6]。

圖1 AI的發(fā)展趨勢

基于深度學習的AI 使計算機能從大量數(shù)據(jù)中學習，復制人類技能。深度學習是一項新興的技術(shù)，在生物醫(yī)學應(yīng)用中表現(xiàn)出了先進的性能。多項研究表明，深度學習在自動醫(yī)學圖像分析的性能上可與專家相媲美[16-17]。例如，Esteva 等[16]利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）完成了皮膚損失圖像的自動分類，獲得了與皮膚科醫(yī)生相當?shù)臏y試結(jié)果，從而證明了AI能夠?qū)⑵つw癌進行分類。另外，深度學習算法應(yīng)用于病理切片圖像上也可以提高癌癥診斷的準確性和效率[17]。然而，深度學習在微生物學中的應(yīng)用尚未充分發(fā)揮其潛力。微生物研究中產(chǎn)生了大量的生物圖像數(shù)據(jù)，傳統(tǒng)的計算方法在處理這些數(shù)據(jù)時較為緩慢，相比之下，深度學習往往在準確性和速度方面表現(xiàn)優(yōu)異。微生物學家通過深度學習將微生物的研究帶來新應(yīng)用，隨著AI 驅(qū)動的微生物顯微圖像檢測的顯著進步，深度學習在微生物圖像識別和分類中的應(yīng)用迅速增長[18-21]。

2 AI技術(shù)在病原微生物檢測中的應(yīng)用

研究人員通過使用顯微鏡成像能夠識別和監(jiān)測病原微生物，并用于臨床診斷和發(fā)病機制研究[22-23]。盡管顯微鏡被廣泛使用，但受限于顯微鏡精度以及需要訓練有素的技術(shù)人員，人為操作顯微鏡的過程是繁瑣復雜的。因此，在許多資源有限的地區(qū)，傳染病的診斷仍然是一個具有挑戰(zhàn)性的過程。為了應(yīng)對人為操作顯微鏡所存在的挑戰(zhàn)和困難，目前已有研究提出了基于深度學習的病毒、細菌、寄生蟲和真菌等多種微生物的顯微圖像分析方法[24]。在顯微鏡成像領(lǐng)域，深度學習所表現(xiàn)出的潛力是巨大的，研究表明，將深度學習應(yīng)用于微生物自動檢測的顯微成像將顯著提高診斷的準確性和效率[25-26]。

2.1 AI技術(shù)在病毒檢測中的應(yīng)用

病毒是一種可以傳播和感染其他生物體的微生物，通過釋放并整合宿主細胞基因組的遺傳物質(zhì)和自身基因組的自我復制進行增殖[27]。宿主生物免疫系統(tǒng)通過產(chǎn)生特異性抗體方式，中和病毒和被病毒感染的細胞。然而，病毒遺傳物質(zhì)的不穩(wěn)定使其可以快速進化以適應(yīng)不斷變化的生態(tài)環(huán)境[28]。隨著新病毒不斷地出現(xiàn)，病毒性大流行對全球公共衛(wèi)生構(gòu)成了嚴重的威脅[29-30]。電鏡觀察病毒形態(tài)差異一直被用作病毒檢測的標準，隨著ELISA和PCR 等技術(shù)的發(fā)展，診斷性電鏡逐漸被取代。但電鏡鑒定病毒簡單快速，特別是在緊急狀況或再次出現(xiàn)傳染源的病原體診斷中發(fā)揮關(guān)鍵作用[31]。迄今為止，幾乎所有的病毒形態(tài)診斷都是由熟練的專家進行，電鏡圖像的手動分析較為耗時，且需要大量的關(guān)于病毒形態(tài)的知識。因此，基于AI 自動準確的病毒識別方法對于分析大量病毒電鏡圖像至關(guān)重要。

與傳統(tǒng)的圖像處理方法相比，CNN 顯示出了更好的分類和檢測能力，但該方法需要大量的圖像訓練數(shù)據(jù)并進行手動注釋才能更好地執(zhí)行。然而，在電鏡領(lǐng)域，訓練數(shù)據(jù)的可用性非常有限，因為這需要耗時的樣本準備、圖像采集和手動標記。Devan 等[32]開發(fā)了一種基于CNN 的遷移學習方法，可自動從原始圖像中學習鑒別特征，從而實現(xiàn)自動檢測電鏡中的人類巨細胞核衣殼，與現(xiàn)有深度學習技術(shù)比較，該方法不需要耗時的手動定義圖像的結(jié)構(gòu)特征，表明遷移學習方法可以高特異性地檢測電鏡圖像中的病毒衣殼。Ito 等[33]引入全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Neural Network，F(xiàn)CN）方法用于檢測電鏡圖像中的病毒顆粒，該方法屬于監(jiān)督學習，需要電鏡輸入圖像和進行注釋的參考圖像饋送到CNN以獲取有效特征，基本上用于檢測已知病毒，在含有貓杯狀病毒顆粒的電鏡圖像數(shù)據(jù)集評估了所提出方法的檢測性能，對比現(xiàn)有幾種病毒檢測方法，該方法展現(xiàn)出了最新性能，對比結(jié)果如圖2 所示。Devan 等[34]通過使用生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）生成的合成標記圖像來增強訓練數(shù)據(jù)，在電子顯微鏡圖像中區(qū)分人巨細胞病毒核衣殼包膜的3 個階段。Xiao 等[35]提出了一種用于病毒分類的殘差混合注意網(wǎng)絡(luò)（Residual Mixed Attention Network，RMAN），并通過透射電鏡病毒圖像數(shù)據(jù)集進行了驗證，該方法在12 個病毒類上的Top-1 錯誤率為4.285%，超過了其他先進的AI 方法甚至是人類專家。表1 對上述基于AI 病毒檢測方法的論文進行了總結(jié)和分析。

表1 基于AI病毒檢測方法的總結(jié)和分析

圖2 電鏡圖像中病毒顆粒檢測結(jié)果的比較[33]

2.2 AI技術(shù)在細菌檢測中的應(yīng)用

細菌是人體微生物群的重要組成部分，定植于包括腸胃和皮膚在內(nèi)的組織。雖然大多數(shù)細菌是無害的，有些菌株甚至在消化和與機會病原體競爭方面提供益處，但細菌感染是最常見的人類疾病之一[36-37]。有些的檢測和治療是預防和減輕細菌感染的關(guān)鍵，PCR 和ELISA是廣泛使用的具有高靈敏度和特異性的臨床病原菌鑒定方法。然而，這些方法需要多個步驟，包括樣品預處理、細菌培養(yǎng)和DNA/RNA 擴增，以及訓練有素的操作員來執(zhí)行[38]。因此，有必要尋求穩(wěn)健高效且低成本的病原體檢測方法。在圖像識別方面表現(xiàn)出色的AI 技術(shù)，被用于細菌檢測方面的研究。

Govindan 等[39]提出了一種基于機器學習的方法，用于結(jié)核桿菌抗酸染色痰涂片圖像中的結(jié)核病識別，所提出的技術(shù)包括使用相關(guān)拉伸技術(shù)和k 均值聚類的圖像分割，然后提取基于形狀的特征，并使用支持向量機（Support Vector Machine，SVM）將圖像分類為結(jié)核抗體陽性和結(jié)核抗體陰性。Wahid 等[40]提出了基于遷移學習的細菌顯微圖像分類方法，數(shù)據(jù)集由5 種細菌的500 張灰度圖像組成，即肉毒梭菌、淋病內(nèi)瑟菌、霍亂弧菌、伯氏疏螺旋體和結(jié)核分歧桿菌，分類結(jié)果如圖3 所示。Panicker 等[41]提出了基于深度學習方法來檢測痰涂片圖像種的結(jié)核桿菌。Traore 等[42]將CNN 應(yīng)用于霍亂弧菌和惡性瘧原蟲的圖像分類。Treebpachatsakul等[43]提出了基于深度學習的方法來識別兩種細菌，該研究使用兩個數(shù)據(jù)集，每個數(shù)據(jù)集都有金黃色葡萄球菌和德氏乳酸菌的樣本圖像。Shichijo 等[44]構(gòu)建了CNN在基于內(nèi)窺鏡圖像診斷幽門螺桿菌胃炎中的應(yīng)用，評估了其診斷幽門螺桿菌感染的能力，結(jié)果證實與內(nèi)窺鏡醫(yī)師手動診斷相比，該方法具有更高的效率。Mithra 等[45]提出了高斯-模糊神經(jīng)網(wǎng)絡(luò)（Gaussian Fuzzy Neural Network，GFNN），將高斯混合模型與模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合用于結(jié)核檢測；實驗結(jié)果表明，所提出的GFNN 獲得了更好的性能。細菌性陰道病（Bacterial Vaginosis，BV）是由陰道內(nèi)細菌過度和不平衡生長引起的，30%和50%的女性受其影響。革蘭氏染色和顯微鏡下基于細菌形態(tài)類型的Nugent 評分被認為是BV 診斷的金標準。但這種方法通常是勞動密集型和耗時的。Wang 等[46]開發(fā)并優(yōu)化了CNN 模型，并評估了其自動識別和分類顯微圖像中三類Nugent 的能力，通過對從三家醫(yī)院收集的獨立測試圖像進行評估，獲得了優(yōu)于中國頂級技術(shù)專家和產(chǎn)科醫(yī)生的結(jié)果。表2 對上述基于AI 細菌檢測方法的論文進行了總結(jié)和分析。

表2 基于AI細菌檢測方法的總結(jié)和分析

圖3 測試圖像中細菌分類的結(jié)果[40]

2.3 AI技術(shù)在寄生蟲檢測中的應(yīng)用

寄生蟲病是由寄生生物引起的傳染病，感染后，寄生蟲在其入侵的不同器官系統(tǒng)誘導發(fā)病機制，包括奪取營養(yǎng)、機械損失、毒性和抗原物質(zhì)等影響[47]。建立省時、準確的診斷方法對于寄生蟲病的檢測、預防和控制有重要意義。一般用于分子診斷的實驗室檢測，可以直接檢測樣本中的核酸分子。雖然這些技術(shù)優(yōu)于病原學檢測，但診斷寄生蟲學的顯微鏡方法具有低成本和簡單的優(yōu)點。而基于顯微鏡的寄生蟲識別是耗時和勞動密集型的[48]。寄生蟲形狀、密度和染色顏色變化的不確定性，使顯微鏡圖像中的寄生蟲檢查具有挑戰(zhàn)性。AI 將成為基于圖像分類的寄生蟲檢測的強大工具。為了開發(fā)寄生蟲自動圖像分析工具，研究人員使用了各種AI 深度學習算法[47]。

Widmer 等[49]提出了一種基于神經(jīng)網(wǎng)絡(luò)的方法，用于在顯微圖像中識別微小隱孢子蟲卵囊，其中訓練集由525 幅顯微圖像組成，測試集由362 張不同圖像組成，該方法準確率可達到81%。Suzuki 等[50]提出了一種基于機器學習的技術(shù)，用于人體腸道寄生蟲的分割和分類，分割過程包括圖像森林變化、圖像量化、邊界增強和橢圓匹配，分類過程實現(xiàn)了多種機器學習算法比較，選擇最優(yōu)的機器學習算法進行分類。Apostol 等[51]開發(fā)了一種RadSS 應(yīng)用系統(tǒng)，使用SVM 自動識別放射蟲物種，該系統(tǒng)通過提取形狀和紋理特征，然后使用PCA 進行特征選擇，SVM 進行分類。Vijayalakshmi等[52]使用了轉(zhuǎn)移學習方法，以識別血液涂片圖像中的惡性瘧原蟲，該方法使用VGG 19 CNN 模型進行特征提取，然后使用SVM 對VGG 19 的最后三層微調(diào)以進行分類。Loh 等[53]使用了一種Mask R-CNN 的深度學習模型，該模型針對未感染和惡性瘧原蟲感染的紅細胞進行訓練，預測模型生成報告的速度比手動計數(shù)快15 倍，同時不影響準確性，并且能夠在邊界框分類之上生成分割掩碼，以便立即可視化，這使其優(yōu)于現(xiàn)有模型。此外，隨著標準化程度的提高，其有很大潛力可減少人工計數(shù)產(chǎn)生的錯誤，并節(jié)省大量人力資源、時間和成本。Li 等[54]開發(fā)了一種基于深度學習的高度可配置的儀器，使用深度轉(zhuǎn)移圖卷積網(wǎng)絡(luò)（Deep Transfer Graph Convolutional Network，DTGCN）識別血液涂片圖像中不同階段的瘧原蟲識別，該血液涂片圖像通過放大倍數(shù)為1000 倍的顯微鏡采集獲得，與VGGNet、GoogleNet和ResNet 等先進方法相比，該方法在公開的多階段瘧原蟲顯微圖像中顯示出更高的準確性和有效性。表3 對上述基于AI 寄生蟲檢測方法的研究進行了總結(jié)和分析。

表3 基于AI寄生蟲檢測方法的總結(jié)和分析

2.4 AI技術(shù)在真菌檢測中的應(yīng)用

真菌是微生物和生態(tài)系統(tǒng)中必不可少的真核生物，大多數(shù)真菌沒有致病性。但有些真菌會釋放毒素并導致人類、植物和動物患病，如曲霉菌是一種產(chǎn)生黃曲霉毒素和次級代謝產(chǎn)物的病原真菌，可導致人和動物的嚴重疾病。曲霉病原體被視為全世界免疫抑制個體的重要威脅，如會使器官移植、癌癥和HIV 患者導致侵襲性曲霉病并產(chǎn)生致命后果[55-56]。臨床上如果能及時檢測病原真菌，可以提高此類真菌感染類疾病的治愈率。但傳統(tǒng)的鑒定真菌方法，如PCR、核酸探針法、形態(tài)學檢測法等，多數(shù)都需要專業(yè)的檢驗人員且檢驗時間較長。研究人員通過深度學習算法用于真菌顯微圖像的快速診斷。

Ma 等[57]使用深度CNN 來研究對各種曲霉物種進行分類的能力，使用立體顯微鏡采集平板上的菌落，生成足夠的分辨率圖像并對其進行分類，其中收集了在富集培養(yǎng)基中培養(yǎng)的7 種曲霉菌的8995 個原始菌落圖像，并自動切割生成17142 個圖像，作為包含每個菌株分生孢子或菌落典型代表形態(tài)的訓練和測試數(shù)據(jù)集，結(jié)果顯示出了較高的分類精度和檢測準確率，該研究展示出了一種基于AI 且具有成本效益的曲霉菌檢測方法。Liu 等[58]開發(fā)了一種自動真菌檢測系統(tǒng)，該系統(tǒng)能夠在復雜環(huán)境下自動識別含有其他細胞和雜質(zhì)的微生物糞便圖像，采用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）對真菌進行識別，可分為兩個階段，第一階段用于處理不同焦距圖像的特征，第二階段使用第一階段的輸出值識別真菌，該系統(tǒng)可以準確檢測出圖像中是否有真菌，并統(tǒng)計不同真菌類型的數(shù)量。Zhang 等[59]提出了一種用于白帶圖像中真菌檢測的機器學習技術(shù)，該方法涉及圖像分割、特征提取、降維和分類。Tahir 等[60]使用CNN對5 種類型的真菌孢子進行分類，CNN 的模型如圖4所示，該模型實現(xiàn)了94.8%的分類準確率，此外還提出了一種由40800 個標記真菌孢子圖像組成的新數(shù)據(jù)集。Hao 等[61]提出了另一種基于CNN 的方法，用于在顯微鏡白帶圖像中檢測白色念球菌，將最大類間方差的閾值技術(shù)應(yīng)用于圖像分割，使用CNN 將分割的真菌子圖像分類。表4 對上述基于AI 真菌檢測方法的研究進行了總結(jié)和分析。

表4 基于AI寄生蟲檢測方法的總結(jié)和分析

圖4 檢測不同種類真菌的CNN模型[60]

2.5 AI在病原微生物檢測應(yīng)用的發(fā)展趨勢和挑戰(zhàn)

AI 技術(shù)已經(jīng)有效地應(yīng)用于病毒、細菌、寄生蟲和真菌4 種類型的病原微生物形態(tài)學檢測。最初SVM、ANN 等機器學習算法用于部分微生物的圖像識別，這些技術(shù)即使在小數(shù)據(jù)集的情況下，也能實現(xiàn)良好的分類性能。但這些機器學習技術(shù)通常是半自動的，特征提取的過程仍然是手動的。越來越多的研究人員采用CNN等深度學習算法進行自動特征提取和分類，CNN 在沒有人為指導的情況下提取特征，優(yōu)于其他特征提取技術(shù)。由于病原微生物種類的獨特特性，不同病原微生物對基于AI 形態(tài)學檢測的研究可能面臨不同的挑戰(zhàn)。例如，基于病毒的形態(tài)學檢測大多都在電子顯微鏡下完成，電子顯微鏡設(shè)備昂貴，病毒相較其他微生物樣本獲取困難，同時樣本制備復雜且耗時，這些因素極大地限制了AI在病毒檢測方面的應(yīng)用。另外一個挑戰(zhàn)是寄生蟲和真菌等病原微生物物種的形態(tài)相似，傳統(tǒng)的機器學習算法對此類物種的效率低，而深度學習算法需要大量的數(shù)據(jù)用于訓練以產(chǎn)生最佳的結(jié)果。

3 總結(jié)與展望

本文對近年來國內(nèi)外基于AI 在病原微生物檢測方法研究的最新進展進行了綜述和分析，并得出以下結(jié)論。

目前多數(shù)相關(guān)研究都致力于提出或引入更加高效的分類、特征提取、圖像分割的方法來提升病原微生物鑒定的結(jié)果。但大多數(shù)深度學習研究使用有監(jiān)督學習方法，在建立病原微生物診斷模型前，往往需要進行耗時耗力的數(shù)據(jù)標注。對于病原微生物的研究，其樣本獲取困難、標注成本高等問題限制了AI 技術(shù)在病原微生物診斷領(lǐng)域的發(fā)展。只有部分病原微生物建立了學習模型，實現(xiàn)自動閱片，如結(jié)核分枝桿菌、瘧原蟲、真菌等，對于大多數(shù)病原微生物都處于人工觀測和建模狀態(tài)，自動識別尚處于空白。目前基于AI 的病原微生物形態(tài)學檢測技術(shù)仍有很大的潛力，其重點將會圍繞半監(jiān)督學習以及無監(jiān)督學習展開，從而使深度學習算法設(shè)計方向向“小樣本、標注少”的低成本進行改進，以實現(xiàn)病原微生物的自動檢測。

研究利用AI 技術(shù)實現(xiàn)顯微鏡下細菌形態(tài)自動識別，能夠?qū)崿F(xiàn)高效精準的高致病微生物過篩，減少專家依賴。利用微型化技術(shù)、自動控制技術(shù)、互聯(lián)網(wǎng)技術(shù)實現(xiàn)全自動便攜化設(shè)備，從而提高效率、突破地域限制、實現(xiàn)災(zāi)地和預防地廣泛性普查，對防災(zāi)控災(zāi)具有重要意義。在未來的工作中，將利用AI 技術(shù)實現(xiàn)病原微生物形態(tài)學便攜化快速檢測，完成醫(yī)工結(jié)合，具體表現(xiàn)為：① 利用深度學習技術(shù)，實現(xiàn)病原微生物的智慧檢驗，提高檢驗精度；② 利用高清數(shù)字采圖裝置技術(shù)，實現(xiàn)病原微生物圖像高速高清掃描保存，實現(xiàn)檢驗數(shù)字化和可視化，并可溯源；③ 利用自動控制技術(shù)，實現(xiàn)標本處理、檢驗流程自動化，可大大提高效率，減輕醫(yī)生工作強度，降低感染風險；④ 利用微型化和網(wǎng)絡(luò)化技術(shù)實現(xiàn)便攜式病原微生物檢驗，以及移動化篩查檢驗，突破地域和時域限制。此外，在更多的病原微生物研究中，對于一些高致病病原微生物特別是細菌如炭疽桿菌、鼠疫耶爾森菌、霍亂弧菌等，需要在高級別的生物安全實驗室開展，而大多數(shù)研究機構(gòu)都無法滿足，導致這類病原微生物圖像樣本稀缺。因此，虛擬高致病病原微生物樣本庫的建立，應(yīng)是未來一項重要的工作，值得進一步關(guān)注。