“这标志着诊断领域机器学习的首次展示，”资深作者，医学博士，BIDMC临床微生物实验室主任，哈佛医学院病理学副教授说。“随着进一步发展，我们相信这项技术可以成为未来诊断平台的基础，增强临床实验室的能力，最终加快病人护理的提供。”

Kirby的团队使用自动显微镜设计，从显微镜载玻片上收集高分辨率图像数据。在这种情况下，从怀疑有血流感染的患者采集的血液样本被孵育以增加细菌数量。然后，通过将一滴血放在载玻片上并用染料染色以使细菌细胞结构更明显来制备载玻片。

接下来，他们训练了卷积神经网络(CNN)-一种以哺乳动物视觉皮层为模型的人工智能，用于分析视觉数据-根据细菌的形状和分布对细菌进行分类。选择这些特征来代表最常引起血流感染的细菌;棒状细菌包括大肠杆菌;金黄色葡萄球菌的圆形簇;和链球菌属的对或链。

“像孩子一样，系统需要培训，”柯比说。“学会识别细菌需要大量的练习，犯错误并从错误中吸取教训。”

为了训练它，科学家们为他们未受过教育的神经网络提供了超过25,000张来自常规临床检查中准备的血液样本的图像。通过裁剪这些图像-其中细菌已被人类临床微生物学家识别-研究人员生成了超过100,000个训练图像。机器智能学会了如何将图像分类为三类细菌(杆状，圆形簇和圆形链或成对)，最终达到近95%的准确度。

接下来，该团队挑战该算法，从189张幻灯片中分类新图像，无需人为干预。总体而言，该算法在所有三个类别中实现了超过93%的准确率。通过进一步的开发和培训，Kirby及其同事建议将AI增强平台用作未来的全自动分类系统。

与此同时，Kirby建议自动分类可以通过帮助他们更有效地工作来改善人类技术人员的短缺，“可以想象地将技术人员的阅读时间从几分钟缩短到几秒钟，”他说。

虽然人类技术人员经常提供高度准确的诊断，但对这些高技能工人的需求超过了美国的供应量。根据美国临床病理学会2014年的一项调查显示，9%的实验室技术人员仍未填充，随着婴儿潮一代的技术人员开始成群退休，预计这一数字将大幅增加。

更重要的是，这些图像可以远程发送，在互联网到达的任何地方带来最高水平的专业知识。这一点至关重要，因为快速鉴定和提供抗生素药物是治疗血流感染的关键，血液感染可以杀死高达40%的患者。每天患者未接受治疗与死亡风险增加有关。

柯比指出，除了临床应用外，新工具还可用于微生物学培训和研究。

“当我们使用它时，该工具将成为一个活的数据存储库，”他说。“可以用来培训新员工并确保能力。它可以提供前所未有的细节作为研究工具。”