背景：病原菌的快速鉴定在包括食品或饮料制造在内的各个行业都至关重要。基于细菌微菌落图像的分类已成为一种很有前途的方法，可以加快鉴定速度、自动化检查和降低成本。然而，传统的成像方法存在明显的实际局限性，即成像范围有限导致通量低，成像速度慢。最近的进展集中在基于质谱的方法上，例如基质辅助激光解吸/电离飞行时间质谱MALDI-TOF-MS这些技术通常需要与试剂和实验设备相关的高成本，以及积累足够的细菌细胞以获得可靠灵敏度所需的较长孵育期。

  为了应对这些挑战，生物图像信息学技术已成为一种基于微生物菌落图像识别细菌物种的有前途的方法。使用光学散射技术(BARDOT)的细菌快速检测是一种基于生物图像信息学的快速细菌鉴定的创新方法。BARDOT将激光引导到琼脂平板上生长的单个菌落，捕获散射光图案的图像，提供有关菌落形态的宝贵信息，包括菌落大小、厚度和表面不规则性。随后，使用算法从散射光模式中计算鉴别参数，并采用机器学习技术进行细菌种类识别。另一种称为光衍射细菌识别系统(BISLD)的相关技术也被报道。BISLD侧重于用光照射菌落时产生的衍射光图案。从衍射光图案图像中提取辨别参数，例如亮度值的平均值，标准偏差和熵以识别细菌种类。然而，BARDOT和BISLD都需要大约10-20 min来检查一个含有50-100个菌落的琼脂平板，因为每个菌落分别进行激光照射和成像，阻碍了快速成像。因此，为了进一步提高病原体检测通量，可以借助菌落指纹图谱和微生物菌落成像系统来实现。值得一提的是，菌落指纹识别利用机器学习来开发基于图像的诊断模型。这些模型是使用菌落指纹(CFP)构建的，用于量化图像特征，例如菌落图像的形状或光学图案。

  工作内容：本项工作开发了一种基于线图像传感器的成像系统，与现有的菌落成像方法相比，该系统可实现快速和宽视场成像。该系统可以在2s内完全成像标准培养皿(直径92毫米)，成功获取细菌微菌落图像。这个过程产生了一组称为菌落指纹的鉴别参数，这些参数被用于机器学习。该工作通过使用在9属15个物种(包括食源性病原体)的菌落指纹数据集上训练的机器学习模型来识别食品中的金黄色葡萄球菌，从而证明了我们系统的性能。传统的基于质谱的方法需要孵育24 h，而该工作中的菌落指纹图谱方法仅在孵育10 h内就达到了96%的准确率。

  Fig. 1 基于线图像传感器的菌落指纹识别系统。(a)菌落指纹识别系统的照片。比例尺 = 20 cm。(b)培养板的完整视图和系统捕获的细菌菌落的代表性图像。(c)孵育和成像期间切换操作的示意图。

  Fig. 2 菌落指纹系统捕获的9属15种细菌的时间序列菌落图像。(a)每个菌落的代表性图像，用于计算菌落指纹以构建机器学习模型。比例尺 = 500 μm。(b)从1.0 mm中提取的 59个CFP的 UMAP 可视化2菌落图像。(c)从时间序列菌落图像(0.025、0.050、0.075、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0 mm)中提取的 767个CFP的 UMAP 可视化2)。