タイムラプスコヒーレントイメージングとディープラーニングを用いた生菌の早期検出と分類

Early detection and classification of live bacteria using time-lapse coherent imaging and deep learning.

• Hongda Wang
• Hatice Ceylan Koydemir
• Yunzhe Qiu
• Bijie Bai
• Yibo Zhang
• Yiyin Jin
• Sabiha Tok
• Enis Cagatay Yilmaz
• Esin Gumustekin
• Yair Rivenson
• Aydogan Ozcan

抄録

食品、水、体液中の病原性細菌を早期に同定することは非常に重要であるが、サンプルの複雑さや大量のサンプルを迅速にスクリーニングする必要があるため、困難である。プレートカウンティングや分子分析に基づく既存のスクリーニング方法では、検出時間、精度/感度、コスト、およびサンプル前処理の複雑さに関して様々なトレードオフが存在する。ここでは、直径60mmの寒天プレート内の細菌の成長のコヒーレントな顕微鏡画像を定期的にキャプチャし、細菌の成長の迅速な検出と対応する種の分類のためのディープニューラルネットワークを使用して、これらの時間経過したホログラムを解析する計算上の生菌検出システムを提示します。本システムの性能は、環境保護庁（EPA）承認の方法と比較して検出時間を12時間以上短縮し、水中の全大腸菌（および亜種）を迅速に検出することで実証されました。サンプルを増殖培地中でプレインキュベートすることで、我々のシステムは9時間以下の総試験時間で~1コロニー形成単位(CFU)/Lの検出限界(LOD)を達成しました。このプラットフォームは非常に費用対効果が高く（～$0.6/test）、プレート表面全体にわたって24cm/分のスキャン速度でハイスループットを実現しており、寒天プレート上での細菌検出に現在使用されている既存の方法との統合に非常に適しています。ディープラーニングを搭載したこの自動化された費用対効果の高い生菌検出プラットフォームは、検出時間を大幅に短縮し、ラベル付けや専門家を必要とせずにコロニーの同定を自動化することで、微生物学の幅広いアプリケーションに変革をもたらすことができます。

Early identification of pathogenic bacteria in food, water, and bodily fluids is very important and yet challenging, owing to sample complexities and large sample volumes that need to be rapidly screened. Existing screening methods based on plate counting or molecular analysis present various tradeoffs with regard to the detection time, accuracy/sensitivity, cost, and sample preparation complexity. Here, we present a computational live bacteria detection system that periodically captures coherent microscopy images of bacterial growth inside a 60-mm-diameter agar plate and analyses these time-lapsed holograms using deep neural networks for the rapid detection of bacterial growth and the classification of the corresponding species. The performance of our system was demonstrated by the rapid detection of and total coliform bacteria (i.e., and subsp) in water samples, shortening the detection time by >12 h compared to the Environmental Protection Agency (EPA)-approved methods. Using the preincubation of samples in growth media, our system achieved a limit of detection (LOD) of ~1 colony forming unit (CFU)/L in ≤9 h of total test time. This platform is highly cost-effective (~$0.6/test) and has high-throughput with a scanning speed of 24 cm/min over the entire plate surface, making it highly suitable for integration with the existing methods currently used for bacteria detection on agar plates. Powered by deep learning, this automated and cost-effective live bacteria detection platform can be transformative for a wide range of applications in microbiology by significantly reducing the detection time and automating the identification of colonies without labelling or the need for an expert.

© The Author(s) 2020.