药敏试验结果智能化判读方法研究

【目的】细菌耐药性监测是公共健康安全领域一项至关重要的工作。针对目前耐药性试验结果需要人工读取而结果判读主观性强且效率较低的问题,提出了利用卷积神经网络进行微孔图像识别的药敏试验结果判读方法。【方法】根据国家兽医微生物耐药性风险评估实验室提供的MIC试验图像构建数据集,利用Inception_V4和MobileNet_V1两个神经网络模型进行单个微孔药敏试验结果图像识别模型的训练,并基于模型判断的分类结果构建MIC值计算方法以及耐药性判断方法,实现药敏试验结果的自动识别。【结果】利用Inception_V4和MobileNet_V1两个神经网络模型进行单个微孔药敏试验结果图像识别的准确率分别达到99.99%、99.97%,MIC值及耐药性判定的准确率分别达到97.30%、94.40%和99.13%、98.40%。【结论】两种卷积神经网络均可替代人工判读,提高工作效率,并降低对实验人员的专业性要求。与Inception_V4相比,MobileNet_V1模型的判读精度略低,但效率较高,可达到实用化程度。