Credit: Manjurul/Getty Images.
L'analisi delle colture batteriche è una delle attività più comuni nei laboratori di microbiologia, e serve a orientare la scelta delle terapie antibiotiche. In un nuovo studio1 un gruppo di ricercatori guidati da Alberto Signoroni, dell'Università di Brescia, ha proposto un algoritmo di intelligenza artificiale, chiamato Deep Colony, in grado di interpretare le piastre di coltura e proporre una prima identificazione delle specie batteriche in esse contenute.
Testato su quasi 5.000 piastre elaborate da un grande laboratorio statunitense per la diagnosi di infezioni del tratto urinario, Deep Colony è risultato in accordo con il giudizio degli esperti nel 95,4% dei casi. Il design dell'algoritmo è stato ispirato dal processo cognitivo normalmente seguito dai microbiologi.
Una piastra ospita solitamente diverse colonie, che possono corrispondere a diversi ceppi batterici. Grazie all'ispezione visiva, i microbiologi normalmente formulano una prima ipotesi sul ceppo presente in ogni colonia. Questa ipotesi viene poi verificata facendo ricrescere separatamente i campioni di ciascuna colonia e utilizzando tecniche di spettroscopia di massa.
"Abbiamo utilizzato immagini di quasi 26.000 colonie corrispondenti a 32 specie batteriche, identificate con la spettrometria di massa in vari laboratori statunitensi o incluse nella [banca dati biologica pubblica] American Type Culture Collection", spiega Signoroni. Questo set di dati è stato utilizzato per addestrare la prima rete neurale di cui si compone Deep Colony a stimare la probabilità che una data colonia contenga ognuno dei 32 ceppi.
I risultati sono stati perfezionati confrontando le colonie sulla stessa piastra, cosa che i microbiologi fanno di solito per contestualizzare la loro prima ipotesi. Una seconda rete neurale ha imparato a raggruppare le colonie di ogni piastra in base alla loro somiglianza, ignorando l'identificazione della specie. Se la prima rete neurale aveva stimato colonie nello stesso cluster come probabilmente appartenenti a specie diverse, l’identificazione veniva rivista.
I risultati sono stati poi aggregati per classificare ogni piastra come positiva (se mostrava una crescita significativa di specie batteriche chiaramente identificabili rispetto alla normale flora), negativa (nessuna crescita significativa) o contaminata (troppe specie o non chiaramente identificabili). L'accordo tra Deep Colony e le interpretazioni manuali è risultato del 99,2%, 95,6% e 77%, rispettivamente per le piastre positive, negative e contaminate. Deep Colony ha classificato positive molte delle piastre etichettate come contaminate dai microbiologi. "Abbiamo massimizzato i veri negativi, pur ammettendo alcuni falsi positivi, in modo che Deep Colony permetta di concentrarsi sui casi più rilevanti o critici", conclude Signoroni.
