Ứng dụng trí tuệ nhân tạo trong phân tích lam nhuộm vi khuẩn và nuôi cấy vi khuẩn

Giới thiệu

Trong bối cảnh nhu cầu xét nghiệm cho các bệnh lây nhiễm ngày càng tăng, các thử nghiệm vi sinh lâm sàng đối mặt với tình trạng thiếu nhân cao được đào tạo chuyên sâu. Theo tài liệu khảo sát bệnh tật mới nhất của Hiệp hội Lâm sàng Hoa Kỳ (2022), tỷ lệ thiếu nhân sự trong các phòng thử nghiệm vi sinh lên tới 13,5%. Sự gia tăng về khối lượng và mức độ phức tạp của thử nghiệm, cùng với việc áp dụng năng lực mang lại kết quả nhanh chóng mà không ảnh hưởng đến chất lượng, đã thúc đẩy sự phát triển của các hệ thống tự động hóa và trí tuệ nhân tạo (AI). Hệ thống này tiến tới công việc tối ưu hóa quy trình làm việc, giảm khối lượng công việc cho nhân viên và rút ngắn thời gian trả kết quả. Bài viết này sẽ thảo luận về việc ứng dụng AI trong việc tự động hóa phân tích lam khuẩn (bao lam bao gồm Gram và lam kháng acid) và đánh giá sự phát triển trong môi trường nuôi cấy, đồng thời đánh giá tiềm năng và công thức của các công nghệ này.

Tự động hóa và AI trong lâm sàng

Tự động hóa trong vi sinh lâm sàng bao gồm các hệ thống đơn giản như vậy Gram tự động đến các hệ thống phức tạp như tự động hóa phòng xét nghiệm vi sinh (MLA). MLA có khả năng chuẩn hóa lam trực tiếp từ mẫu, cấy vi khuẩn lên môi trường, đệm và số hóa hình ảnh nuôi cấy đĩa tại các thời điểm xác định. Mặc dù MLA giúp giảm tải các công việc đơn giản như cấy mẫu, các nhiệm vụ phức tạp như đọc lam Gram hoặc phân tích đĩa vi tính vẫn yêu cầu kỹ thuật viên được đào tạo chuyên sâu. Do đó, công việc phân tích AI, đặc biệt là các thuật toán học sâu như mạng nơ-ron tích nhanh (CNN), đã được phát triển để tự động hóa công việc phân tích hình ảnh và cung cấp kết quả chính xác hơn.

Phân tích khu vực tự động

Lam Gram

Lam Gram là một kỹ thuật thiết yếu trong vi sinh lâm sàng, hỗ trợ bác sĩ lâm sàng đưa ra quyết định điều trị nhanh chóng. Tuy nhiên, việc phân tích lam Gram là một quá trình phức tạp và tốn kém trong thời gian. Các công thức chính bao gồm: chất lượng phụ thuộc vào tính chất hoàn toàn của mẫu và quy trình; sự thay đổi về số lượng, độ dày và vị trí của mẫu trên lam; và sự xuất hiện của các vật thể tương tự như vi khuẩn trong nền lam. Việc số hóa lam Gram bằng kính hiển thị vi số khó khăn thiếu chuẩn hóa, dẫn đến chất lượng hình ảnh không đồng đều. Hệ thống mới và tiêu chuẩn tự động có thể giúp giải quyết vấn đề này.

Việc sử dụng kính hiển thị cho phép hợp nhất các AI toán học thuật toán, đặc biệt là CNN, để tự động phân tích lam Gram. Thuật toán này được huấn luyện trên cơ sở dữ liệu hình ảnh lớn để xác định các đặc điểm thái độ của dân cư. Một nghiên cứu năm 2018 của Smith và cộng đồng sử dụng nền tảng Metafer Slide Scanning and Imaging (MetaSystems Group, Đức) đạt được độ chính xác phân loại vi khuẩn là 92,5% và hiệu quả hiệu quả trên 93%. Một nghiên cứu khác vào năm 2021 đã tìm thấy mức độ đồng thuận giữa phân tích lam Gram thủ công và số hóa cao nhất đối với máu lam (95,4%), tiếp theo là lam từ vị trí vô trùng (93,8%) và lam hô hấp (85,2%). Kết quả này cho thấy nền máu lam có tính đồng nhất cao hơn so với lam đờm, giúp cải thiện độ chính xác của AI.

AI cũng được ứng dụng để dự đoán viêm âm đạo do vi khuẩn (BV) thông qua phân tích lam Gram theo thang điểm Nugent. Nghiên cứu của Wang và cộng sự (2021) sử dụng hơn 23.000 hình ảnh lam Gram để huấn luyện CNN, đạt độ nhạy 89% và độ đặc hiệu 85%, so với độ nhạy 93% và độ đặc hiệu 92% của phương pháp thủ công. Kết quả này cho thấy AI có thể đạt được độ chính xác tương đối hoặc thậm chí vượt trội so với con người trong một số trường hợp, đặc biệt khi cơ sở dữ liệu hình ảnh được cải thiện.

Axit lam kháng (AFB)

Bệnh lao (TB) vẫn là một vấn đề sức khỏe toàn cầu, với khoảng 10,6 triệu người có thể được mong đợi vào năm 2022. Mặc dù các xét nghiệm đại học nucleic có độ nhạy cao, kính hiển thị vi vẫn là phương pháp chính ở các quốc gia có nguồn năng lượng hạn chế chi phí thấp. Lam AFB, sử dụng các phương pháp tiện lợi như Ziehl-Neelsen (ZN), Kinyoun hoặc huỳnh quang Auramine O, yêu cầu kiểm tra ít nhất 300 trường sát trước khi báo âm tính, làm tăng khối lượng công việc và xử lý thời gian.

Hệ thống tự động như module Metafer AFB và TBDx (Applied Visual Sciences, Hoa Kỳ) đã được phát triển để số hóa và phân tích lam AFB. Metafer đạt độ nhạy 97,3% nhưng độ đặc biệt thấp hơn so với kính hiển thị thị vi thủ công (MM). TBDx có độ nhạy cao hơn MM nhưng đặc biệt là độ nhạy thấp hơn, đặc biệt là các loài lam có ít vi khu trú (vết Se khít). Nghiên cứu của Zingue và cộng sự (2022) sử dụng kính hiển thị vi số kết hợp với phần mềm thương mại để phát hiện AFB trong lam Kinyoun đạt độ nhạy 97% và độ đặc hiệu 86,6%. Hệ thống này giảm thời gian phân tích và cho phép sẵn sàng lọc âm thanh nhanh chóng, nhưng vẫn cần có kỹ thuật xác thực các kết quả dương tính để giảm tỷ lệ dương tính.

Tự động phân tích

Việc cấy phân tích đĩa vẫn là một quá trình thủ công rẻ tiền, đặc biệt khi phần nuôi cấy đĩa lớn cho kết quả âm thanh. Các hệ thống tự động như APAS Independence (Clever Culture Systems, Thụy Sĩ), Copan WASP Lab và BD Kiestra đã được phát triển để số hóa và phân tích hình ảnh đĩa nuôi cấy. Hệ thống này sử dụng thuật toán AI để xác định sự phát triển của khu vực, phân loại đĩa theo khả năng phát triển và định lượng khu vực câu lạc bộ.

APAS Độc lập đạt được độ nhạy và tốc độ đặc hiệu lên tới 99% trong phân tích nuôi cấy nước tiểu, với tốc độ đồng thuận cao trong việc đếm khuẩn lạc. Copan WASP Lab có độ nhạy 99,8% và độ đặc biệt 72% trong việc phát hiện sự phát triển trên đĩa máu và MacConkey. Ứng dụng nuôi cấy nước tiểu BD Kiestra và PhenoMATRIX (Copan Diagnostics) đạt được đồng thuận trên 90% so với phân tích thủ công, đặc biệt trong công việc nhận biết các phản ứng màu trên môi trường tạo màu để phát hiện các vi khuẩn như MRSA, enterococcus kháng vancomycin, và Enterobacterales kháng carbapenem.

Các bản nâng cấp như PhenoMATRIX PLUS và PhenoMATRIX TAG cho phép tự động hóa thêm các bước như âm thanh kết quả phát hành phiên bản hoặc chọn bộ câu lạc bộ khu vực để phân tích khối phổ thông (MALDI-TOF). Tuy nhiên, hiệu suất của các hệ thống này phụ thuộc vào loại vi khuẩn, kích thước lạc khuẩn, và tiêu chí phân loại, Đòi hỏi các nghiên cứu bổ sung để tối ưu hóa.

Kết luận và phát triển

Các phương pháp AI trong phân tích lam kháng khuẩn và nuôi cấy đã mang lại những cải tiến đáng kể trong vi sinh lâm sẵn sàng, giúp giảm khối lượng công việc và kết quả trả lương thời gian. Mặc dù đã đạt được độ chính xác cao nhưng hệ thống này vẫn nên được sử dụng như một công cụ hỗ trợ, với sự xác thực của kỹ thuật viên để đảm bảo độ tin cậy. Trong tương lai, việc phát triển cơ sở dữ liệu hình ảnh và thuật toán AI sẽ tiếp tục cải thiện hiệu suất, đồng thời mở rộng khả năng làm việc từ xa và mô hình hóa AI-con hợp lý, góp phần giải quyết tình trạng thiếu nhân sự và nâng cao hiệu quả như mong đợi.

Nguồn : Cintrón, M. (2025). Diễn giải các mẫu tế bào và nuôi cấy vi khuẩn bằng trí tuệ nhân tạo. Lâm sẵn sàng, Phòng thí nghiệm Y khoa, 45, 41-49.

Thông tin báo khoa học:

Nếu bạn đang quan tâm bài báo này hoặc cần bản gốc của bài báo, hãy liên hệ Zalo 0913.334.212 để được hỗ trợ.

Nếu bạn thấy bài viết mang lại giá trị cho mình, hãy mời chúng tôi ly cà phê bằng cách quét mã phía dưới nhé!