抗生素耐药性是一个日益严重的全球健康问题，这意味着许多感染越来越难以治疗，可用的治疗方案越来越少。它甚至引发了某些感染在不久的将来无法治愈的担忧。
医护人员面临的挑战之一是能否快速区分可用一线药物治疗的病原体和对治疗有耐药性的病原体。常规检测可能需要几天时间，需要培养细菌，对各种抗菌治疗进行测试，并由实验室技术人员或机器进行分析。这种延误通常会导致患者接受不适当的药物治疗，这可能导致更严重的后果，并可能进一步加剧耐药性。
在 《自然通讯》杂志上发表的一项研究中，由剑桥大学史蒂芬·贝克教授实验室的研究人员领导的团队开发了一种机器学习工具，能够从显微镜图像中识别 对一线抗生素环丙沙星具有耐药性的鼠 伤寒沙门氏菌——甚至无需对该细菌进行药物测试。
鼠伤寒沙门氏菌会导致胃肠道疾病，严重时甚至会引发类似伤寒的疾病，症状包括发烧、疲劳、头痛、恶心、腹痛以及便秘或腹泻。严重时甚至会危及生命。虽然感染可以用抗生素治疗，但这种细菌对多种抗生素的耐药性越来越强，使得治疗变得更加复杂。
研究小组使用高分辨率显微镜检查暴露于不断增加的环丙沙星浓度的鼠伤寒沙门氏菌分离株，并确定了区分耐药分离株和敏感分离株的五个最重要的成像特征。
然后，他们使用来自 16 个样本的图像数据训练并测试了机器学习算法来识别这些特征。
该算法能够在每种情况下正确预测细菌是否对环丙沙星敏感或耐药，而无需将细菌暴露于药物中。仅培养 6 小时的分离物即可实现这一点，而通常将样本在存在抗生素的情况下培养 24 小时。
Tuan-Anh Tran 博士在牛津大学攻读博士学位期间参与了这项研究，目前在剑桥大学工作，他说：“对环丙沙星具有耐药性的鼠伤寒沙门氏菌与对抗生素仍然敏感的沙门氏菌有几个显著的不同。虽然专业的人类操作员可能能够识别其中一些，但仅凭这些还不足以自信地区分耐药性和敏感细菌。
“机器学习模型的优点在于，它可以根据人眼无法检测到的显微镜图像上的一些细微特征来识别耐药细菌。”
为了使用这种方法分析样本，仍然需要从样本中分离细菌——例如血液、尿液或粪便样本。然而，由于细菌不需要进行环丙沙星检测，这意味着整个过程可以从几天缩短到几个小时。
尽管这种特殊方法的实用性和成本效益存在局限性，但研究小组表示，它从原则上证明了人工智能在帮助对抗抗生素耐药性方面的强大作用。
Sushmita Sridhar 博士在剑桥大学医学系攻读博士学位时发起了这个项目，现在是新墨西哥大学和哈佛大学公共卫生学院的博士后，他说：“鉴于这种方法使用单细胞分辨率成像，它还不是一种可以随时在任何地方部署的解决方案。但它确实很有希望，只需捕捉细菌形状和结构的几个参数，它就可以为我们提供足够的信息，让我们相对轻松地预测耐药性。”
目前，该团队的目标是研究更大规模的细菌，以创建更强大的实验装置，从而进一步加快识别过程，并使他们能够识别多种不同种类细菌对环丙沙星和其他抗生素的耐药性。
Sridhar 补充道：“真正重要的是，特别是在临床情况下，能够采集复杂的样本(例如血液、尿液或痰液)并直接从中识别出药物的敏感性和耐药性。这是一个更为复杂的问题，甚至在医院的临床诊断中也尚未得到解决。如果我们能找到一种方法来做到这一点，我们就可以减少识别药物耐药性所需的时间，而且成本要低得多。这可能是真正的变革。”