研究背景

细菌的群游（Swarming）与游泳（Swimming）是两种截然不同的运动模式，但其区分对临床诊断至关重要。 

- 群游细菌常与致病性相关：例如，80%的尿路感染病原体（如UPEC）依赖群游能力入侵宿主组织；而肠道炎症（IBD）患者的粪便中群游菌比例显著升高。 

- 游泳细菌则多为自由运动，致病性较低，甚至可能作为益生菌。 

但目前传统检测方法存在耗时、低通量且主观性太强等缺点：传统方法需观察菌落扩张至少10小时，且依赖人工经验；并且基于肉眼或视频分析，易受操作者偏差影响；难以应对大规模样本筛查需求。现有方法（如PDMS芯片结合涡旋序参数分析）虽能放大运动差异，但仍需手动标记感兴趣区域（ROI），流程繁琐且效率低下（图1a）。

图1 传统方法与AI驱动的检测流程对比

研究原理

此研究最为核心的思路就是将时间维度的运动信息编码到空间维度，主要分为下面几个步骤：

- 数据采集：使用相位对比显微镜（20×）拍摄细菌在PDMS芯片圆形孔内的运动视频（29帧/秒）。 

- 图像生成：平均连续10帧（约0.34秒曝光），形成一张“模糊”图像，其中群游菌的集体涡旋运动形成中心亮环，而游泳菌则呈现随机轨迹（图2）。 

- 注意力机制：针对边缘伪影干扰（细菌沿孔壁运动形成亮环），模型通过自适应调整圆形关注区域（半径和中心偏移）聚焦有效特征（图2）。 

图2 基于深度学习的蜂群分类器的网络架构

基于DenseNet架构模型，集成注意力模块，输出群游概率（0-1）：

- 训练数据：1,301张阳性（群游）和2,703张阴性（游泳）图像，涵盖Enterobacter sp. SM3菌株。 

- 性能优化：通过加权交叉熵损失函数平衡样本不均衡，结合数据增强（翻转、旋转）提升泛化能力。 

研究亮点

1. 单图秒级检测：仅需一张0.34秒曝光的模糊图像，无需视频分析或人工干预。 

2. 超高准确率： 

- SM3盲测：灵敏度97.44%，特异性100%（图3a）。 

- 跨菌种泛化：对未训练的Serratia marcescens DB10和Citrobacter koseri H6，灵敏度分别达97.92%和100%，特异性96.77%和97.22%（图3b）。 

3. 抗干扰能力强：注意力机制有效抑制边缘伪影，AUC值接近1（图4）。 

4. 便携潜力：算法可集成至智能手机或便携设备，搭配一次性PDMS芯片实现现场快速筛查。 

图3 盲测结果与混淆矩阵

总结与展望

此项技术未来可以在疾病诊断、治疗监测、生态风险预警等诸多领域实现其应用价值。比如可以通过通过粪便样本快速检测群游菌丰度，辅助炎症性肠病早期诊断，如IBD；也可区分致病性群游菌与非致病菌，指导精准用药；评估抗生素或群游抑制剂的疗效，实时跟踪菌群动态；检测土壤或水体中病原菌的群游行为，预警生态风险。后续可以针对复杂样本（如粪便）的模型，以识别优势菌种，也可以整合代谢组学或基因组数据，提升预测的多维关联。

但此研究目前也有一定的局限性，比如可检验菌种较少，目前主要验证于革兰氏阴性菌；并且现阶段仍属于实验室阶段，实验都基于标准的琼脂条件，实际应用中需兼容不同培养基或粘弹性表面（如粘蛋白）。未来或可根据不同临床场景（如高风险感染）灵活调整灵敏度与特异性；或结合微流控技术，实现“检测-分析-干预”闭环。

这项研究不仅革新了细菌运动检测的技术范式，更打开了AI赋能微生物诊断的新窗口。未来，随着便携设备的普及，我们或许能像测血糖一样，用手机快速筛查感染风险。

原文链接：https://doi.org/10.1080/19490976.2025.2505115

期刊：Gut Microbes