曲霉菌感染近年发病率显著上升，已成为临床微生物学与传染病领域的重点关注对象。在免疫功能正常人群中，曲霉菌多引发慢性肺部疾病（如曲霉菌球），而在免疫缺陷人群（如化疗患者、移植受者、HIV感染者）中，侵袭性曲霉菌病是导致发病与死亡的重要原因，其中黄曲霉、烟曲霉、黑曲霉、土曲霉是最常见的致病物种。

传统曲霉菌物种鉴定依赖菌落形态与显微特征观察，但该方法需丰富的真菌鉴定经验，且对罕见或隐秘物种识别困难；PCR测序虽准确，却存在操作繁琐、耗时久、成本高及依赖专业人员的缺陷；MALDI-TOFMS虽为高通量技术，但受限于真菌蛋白质提取难度大、数据库物种覆盖不足等问题。

同时，曲霉菌培养仍是后续物种鉴定与药敏试验的关键前提，非培养方法无法替代。近年AI图像识别在医学领域（如皮肤病诊断、放射影像分析、癌细胞识别）应用成效显著，基于此，本研究提出将AI图像识别技术用于曲霉菌属物种自动识别，旨在开发一种快速、低成本、低专业门槛的鉴定方法，为临床实验室提供新工具。

研究内容

图1.本研究使用卷积神经网络进行图像分类的工作流程。

研究共采集107株曲霉菌（98株临床株、9株参考株）的11762张图像，初始划分4988张训练图、4463张验证图、2311张测试图，三种模型准确率为96.88%-97.96%。因7天内幼龄菌落形态未成熟、特征不显著，筛选出≥7天的6867张图像重新划分（2813张训练图、2814张验证图、1240张测试图）。筛选后的图像涵盖黄曲霉、烟曲霉、黑曲霉、土曲霉四种物种，菌落形态成熟，具备更清晰的物种特异性特征（如颜色、纹理），为后续模型训练与评估提供高质量数据基础。

与传统鉴定方法相比，AI图像识别具有显著优势：周转时间短（输入图像后几秒内出结果），仅需初级实验室人员（短期培训即可操作），试剂与设备成本低（仅需数码相机与电脑），结果解读简单；而形态观察依赖资深真菌专家且解读困难，PCR测序成本高、耗时久且依赖专业人员，MALDI-TOFMS设备昂贵且真菌蛋白质提取复杂。同时，AI图像识别无需复杂前处理，直接基于菌落图像分析，弥补了传统方法在效率、成本与专业门槛上的缺陷，更适合临床实验室常规应用。

本概念验证研究证实，基于菌落图像的AI识别技术可有效实现临床重要曲霉菌属物种的自动鉴定。ResNet-18在三种卷积神经网络中表现最优，测试准确率99.35%且误识率最低，其性能优于Inception-v3与DenseNet-121。研究发现，图像中菌落形态特征的完整性（如成熟度、产孢情况）对识别准确性至关重要，典型特征图像的识别效果更佳。

与传统鉴定方法相比，AI图像识别具有快速、低成本、低专业门槛的优势，仅需数码相机与电脑即可操作，结果解读简便。未来通过扩充数据库（纳入更多曲霉菌物种、其他丝状真菌及显微图像），该技术有望发展为临床实验室常规诊断工具，为曲霉菌感染的快速精准诊断提供有力支持，推动临床微生物鉴定效率的提升。

原文链接：https://doi.org/10.1080/22221751.2024.2434573