基于深度学习构建大肠埃希菌和肺炎克雷伯菌的快速诊断模型

目的构建一种基于深度学习的革兰染色图像自动分类模型EKNet,实现对泌尿系统感染常见的大肠埃希菌(Eco)和肺炎克雷伯菌(Kpn)的快速诊断。方法将预处理后的细菌图像输入残差网络模型,计算交叉熵损失,通过反向传播算法进行参数优化,获得预训练模型EKNet。共采集368例Eco和292例Kpn显微图像,其中272例Eco和214例Kpn进行训练,40例Eco和30例Kpn进行验证,余下104例图像进行测试。以ResNet50模型和AlexNet模型作为对照,评估EKNet模型的实用性。结果 EKNet模型测试一个样本的平均用时是0.165 s,优于ResNet50模型的0.38 s和AlexNet模型的0.66 s;图像识别准确率达98.8%,优于ResNet50模型的96.4%和AlexNet模型的78.6%。EKNet模型对104例临床测试的显微图像输出结果与尿培养的结果完全吻合,正确率为100%。结论成功构建Eco和Kpn的图像诊断模型EKNet,为临床泌尿系统感染的快速诊断提供参考。