基于多尺度注意力机制的真菌显微图像分类方法

张雪媛, 许鸿雁, 董跃明, 刘丹凤, 孙鹏蕊, 颜锐, 崔洪亮, 雷红, 任菲

张雪媛, 许鸿雁, 董跃明, 刘丹凤, 孙鹏蕊, 颜锐, 崔洪亮, 雷红, 任菲. 基于多尺度注意力机制的真菌显微图像分类方法[J]. 协和医学杂志, 2023, 14(1): 139-147. DOI: 10.12290/xhyxzz.2022-0169
引用本文: 张雪媛, 许鸿雁, 董跃明, 刘丹凤, 孙鹏蕊, 颜锐, 崔洪亮, 雷红, 任菲. 基于多尺度注意力机制的真菌显微图像分类方法[J]. 协和医学杂志, 2023, 14(1): 139-147. DOI: 10.12290/xhyxzz.2022-0169
ZHANG Xueyuan, XU Hongyan, DONG Yueming, LIU Danfeng, SUN Pengrui, YAN Rui, CUI Hongliang, LEI Hong, REN Fei. Fungal Microscopic Image Classification Based on Multi-scale Attention Mechanism[J]. Medical Journal of Peking Union Medical College Hospital, 2023, 14(1): 139-147. DOI: 10.12290/xhyxzz.2022-0169
Citation: ZHANG Xueyuan, XU Hongyan, DONG Yueming, LIU Danfeng, SUN Pengrui, YAN Rui, CUI Hongliang, LEI Hong, REN Fei. Fungal Microscopic Image Classification Based on Multi-scale Attention Mechanism[J]. Medical Journal of Peking Union Medical College Hospital, 2023, 14(1): 139-147. DOI: 10.12290/xhyxzz.2022-0169

基于多尺度注意力机制的真菌显微图像分类方法

基金项目: 

国家重点研发计划 2021YFF1201005

解放军总医院医疗大数据与人工智能研发项目 2019MBD-050

详细信息
    通讯作者:

    雷红, E-mail:jlh309@163.com

    任菲, E-mail:renfei@ict.ac.cn

  • 中图分类号: R756; TP29

Fungal Microscopic Image Classification Based on Multi-scale Attention Mechanism

Funds: 

National Key R & D Program 2021YFF1201005

Medical Big Data and Artificial Intelligence R & D Project of PLA General Hospital 2019MBD-050

More Information
  • 摘要:
      目的  利用深度学习技术,建立临床常见的侵袭性真菌图像辅助分类模型。
      方法  回顾性收集2020年9月—2021年4月解放军总医院第八医学中心曲霉菌属、酵母菌属和新型隐球菌属真菌感染者的显微镜图像,按7∶1.5∶1.5的比例随机分为训练集、验证集和测试集。使用训练集和验证集图像对改进的MobileNetV2网络结构进行训练和参数调试,构建基于多尺度注意力机制的卷积神经网络(convolutional neural network, CNN)真菌图像11分类模型。以机器鉴定结果为金标准,以查准率、召回率和F1值为指标评价该模型对测试集真菌图像的分类效果。将该模型与5种经典CNN模型进行比较,评价指标包括模型参数量、内存占用量、网络每秒处理的图像数量(frames per second, FPS)、准确率及受试者操作特征曲线下面积(area under the curve,AUC)。
      结果  共纳入真菌显微镜图像7666张,分别包括曲霉菌属、酵母菌属和新型隐球菌属图像2781张、4115张、770张。其中训练集5366张、验证集1150张、测试集1150张。改进的MobileNetV2模型对测试集11种真菌图像具有较高的分类性能,查准率为96.36%~100%,召回率为96.53%~100%,F1值为97.01%~100%。该模型的参数量、内存占用量分别为4.22 M、356.89 M,FPS为573,准确率为(99.09±0.18)%,AUC为0.9944±0.0018,综合性能优于5种经典网络模型。
      结论  本研究提出的真菌图像分类模型,在保持低运算成本的情况下,可获得较高的真菌图像识别能力,其整体性能优于常见的经典模型。
    Abstract:
      Objective  To establish a fungal image-assisted classification model using deep learning technology.
      Methods  The microscope images of people infected with Aspergillus, Saccharomyces and Cryptococcus neoformans were retrospectively collected from the Eighth Medical Center of PLA General Hospital from September 2020 to April 2021. The images were randomly divided into training set, validation set and test set according to the ratio of 7∶1.5∶1.5. The improved MobileNetV2 network structure was trained using the training set, a convolutional neural network (CNN) fungal image 11 classification model based on multi-scale attention mechanism was constructed and the parameters were debugged based on the validation set. Machine identification results were taken as the gold standard, the performance of the model on 11 fungal image classification tasks was evaluated, and the results were shown by precision, recall and F1 value. In addition, the performance of the proposed model with 5 classic CNN models were compared, and the results were measured in terms of model parameters, memory usage, frames per second (FPS), accuracy, and area under the curve (AUC) of receiver operating characteristic curve.
      Results  A total of 7666 fungal microscope images were collected, including 2781, 4115, and 770 images of Aspergillus, Saccharomyces, and Cryptococcus neoformans, respectively. Among them, there were 5366 training images, 1150 validation images, and 1150 test images. The improved MobileNetV2 model had high performance for the classification of 11 fungal images in the test set. The precision rate was distributed between 96.36% and 100%, the recall rate was distributed between 96.53% and 100%, and the F1 value was distributed between 97.01% and 100%. The parameters, memory usage, FPS, accuracy, and AUC of the improved MobileNetV2 model were 4.22 M, 356.89 M, 573, (99.09±0.18)%, and 0.9944±0.0018, respectively, and the comprehensive performance was better than 5 kinds of classical networks.
      Conclusion  The proposed fungal image classification model based on the improved MobileNetV2 can obtain higher fungal image recognition ability while maintaining low computational cost, with an overall performance better than classical CNN model.
  • 幽门螺杆菌(Helicobacter pylori, Hp) 与多种胃肠疾病及胃肠外疾病的发生发展存在密切联系[1]。学界普遍认为根除Hp是预防胃癌的有效措施,对于胃癌高风险患者,建议进行Hp筛查和根除[2-3]。目前Hp感染者经验性治疗的根除率呈下降趋势,且未得到有效遏制[4],其重要原因之一为抗菌药物耐药。反复进行Hp根除,一方面增加了药物不良反应发生风险,另一方面亦可加剧耐药菌株的产生[5]

    通过菌株培养及分子生物学检测菌株耐药性可为Hp根除方案的制订提供重要依据,但菌株培养多需结合侵入性检查且存在培养周期长的局限性,而分子生物学检测的部分耐药基因突变位点与实际耐药表型并不一致[6]。多数首次进行Hp根除治疗的患者拒绝药敏检测,而倾向于采用经验性疗法进行杀菌,增加了临床为患者提供个性化根除方案的难度,并可能导致根除失败。因此,探寻除药敏和耐药基因检测以外的因素,综合判断患者耐药风险,有助于Hp根除方案的制订。患者自身因素,如生活方式、饮食习惯、依从性可在一定程度上影响Hp根除成功率[7],且存在地区、人群差异。本研究旨在通过分析苏州地区人群调查数据,了解Hp菌株耐药现状,并多维度分析影响菌株耐药性的宿主因素,以期为临床在制订经验性Hp根除方案时提供参考,进而提高根除成功率,避免反复治疗失败造成的负面影响。

    本研究为横断面研究,连续招募2021年11月—2023年10月于南京医科大学附属苏州医院就诊的Hp感染患者为研究对象。纳入标准:(1)行胃镜检查并活检获取Hp菌株;(2)年龄18~80岁;(3)13C/14C尿素呼气试验阳性;(4)Hp菌株培养阳性且完善药敏试验者。排除标准:(1) 既往有上消化道手术史;(2)4周内服用质子泵抑制剂、钾离子竞争性酸阻滞剂、铋剂、H2受体拮抗剂、抗菌药物、具有抑菌作用的中药者;(3)妊娠期或哺乳期妇女;(4)无法配合相关资料填写或失访者。

    本研究已通过南京医科大学附属苏州医院伦理审查委员会审批(审批号:K-2021-GSKY20210401),并于国家医学研究登记备案信息系统备案,所有研究对象均知情同意。

    通过电子病历和问卷收集患者基本资料、生活方式、饮食习惯、健康状况的指标作为影响因素进行菌株耐药性分析,最终纳入19项因素包括年龄、家庭饮用水来源、饮食史(腌肉、咸菜、油炸/烟熏/烧烤、坚果、禽类、酸奶、新鲜鸡蛋、牛奶、水产品食用频率)、吸烟史、饮酒史、饮茶史、既往Hp根除史、近3个月非抗菌药物用药史、消化不良症状、一级亲属恶性肿瘤史、动物饲养情况。其中吸烟的定义为每天至少吸1支烟且保持6个月以上或戒烟不足15年,否则视为不吸烟。饮酒的定义为每周至少饮酒1次且保持1年以上,否则视为不饮酒。电子问卷系统中对所需收集的信息均附有详细解释说明,避免患者理解有误。

    经内镜分别于胃窦、胃体处各取2块黏膜组织,研磨后将组织液接种于哥伦比亚血琼脂基础培养基,加入Hp选择性添加剂,于37 ℃微需氧条件(5% O2、10% CO2、85% N2)培养1~7 d。采用K-B纸片琼脂扩散法测定菌株对克拉霉素、左氧氟沙星、阿莫西林、呋喃唑酮、四环素、甲硝唑6种抗菌药物的耐药率。药敏结果判断参考欧洲药敏试验委员会(European Committee on Antimicrobial Susceptibility Testing, EUCAST)制定的标准[8]

    内镜下另取胃窦及胃体黏膜活检标本各1块,立即置于3.7%中性缓冲甲醛液中,固定12 h后,送病理检查。根据《慢性胃炎及上皮性肿瘤胃黏膜活检病理诊断共识》[9]判断胃黏膜病理组织学损伤严重程度。

    文献报道,我国人群Hp对左氧氟沙星、克拉霉素的耐药率约为50%[10]。根据公式n=(Z1-α/2/δ)2P(1-P)进行样本量估算,其中P=0.5,α=0.05,Z(1-α/2)=1.96,δ=0.1。经估算,所需最低样本约97例。

    采用SPSS 27.0软件进行统计学分析。年龄为正态分布计量资料,以均数±标准差表示,并在菌株耐药性分析时转化为分类变量。家庭饮用水来源、吸烟史、饮酒史、饮茶史、Hp根除史、近3个月非抗菌药物用药史、消化不良症状、一级亲属恶性肿瘤史、动物饲养情况等计数资料,以频数(百分数)表示,组间比较采用卡方检验。各类食物食用频率的组间比较采用Mann-Whitney U非参数检验。采用非条件Logistic回归模型分析菌株耐药性的影响因素。以P<0.05为差异具有统计学意义。

    共入选符合纳入与排除标准的Hp感染患者115例(Hp菌株115株),均为汉族,男性53例(46.09%)、女性62例(53.91%),平均年龄(45.16±13.39)岁;胃镜病理:浅表性胃炎86例(74.78%),萎缩性胃炎6例(5.22%),肠上皮化生14例(12.17%),低级别上皮内瘤变6例(5.22%),高级别上皮内瘤变/胃癌3例(2.61%)。

    Hp菌株对抗菌药物的耐药率由高至低分别为甲硝唑(91.30%,105/115)、左氧氟沙星(53.04%,61/115)、克拉霉素(51.30%,59/115),未发现对阿莫西林、呋喃唑酮、四环素耐药菌株。双重耐药:左氧氟沙星+甲硝唑双重耐药率为50.43%(58/115),克拉霉素+甲硝唑双重耐药率为47.83%(55/115),克拉霉素+左氧氟沙星双重耐药率为36.52%(42/115)。多重耐药:克拉霉素+左氧氟沙星+甲硝唑三重耐药率为34.78%(40/115)。

    由于91.30%菌株对甲硝唑耐药,8.70%为中介,无敏感菌株,故本研究主要针对克拉霉素和左氧氟沙星进行耐药危险因素分析,并在后续分析时将药敏检测为“中介”也认定为“耐药”。

    单因素分析显示,家庭饮用水来源(P=0.024),腌肉(P=0.043)、咸菜(P=0.049)、坚果(P=0.045)食用频率,既往Hp根除史(P<0.001)在克拉霉素敏感与耐药患者之间分布存在统计学差异。年龄(P<0.001),油炸/烟熏/烧烤(P=0.025)食用频率,既往Hp根除史(P=0.021)在左氧氟沙星敏感与耐药患者之间分布存在统计学差异。年龄(P=0.009),油炸/烟熏/烧烤(P=0.025)、禽类(P=0.006)食用频率,既往Hp根除史(P<0.001)在克拉霉素+左氧氟沙星双重耐药与非双重耐药患者之间存在统计学差异,见表 1

    表  1  克拉霉素、左氧氟沙星单药耐药及双重耐药影响因素的单因素分析[n(%)]
    Table  1.  Univariate analysis of factors affecting clarithromycin and levofloxacin mono-resistance and dual-resistance [n(%)]
    因素 克拉霉素 P 左氧氟沙星 P 克拉霉素+左氧氟沙星 P
    敏感(n=39) 耐药(n=76) 敏感(n=47) 耐药(n=68) 非双重耐药(n=62) 双重耐药(n=53)
    年龄(岁) 0.593 <0.001 0.009
      19~29 6(15.38) 10(13.16) 11(23.40) 5(7.35) 12(19.35) 4(7.55)
      30~39 10(25.64) 17(22.37) 14(29.79) 13(19.12) 18(29.03) 9(16.98)
      40~49 11(28.21) 17(22.37) 12(25.53) 16(23.53) 15(24.19) 13(24.53)
      50~59 4(10.26) 22(28.95) 6(12.77) 20(29.41) 8(12.90) 18(33.96)
      60~80 8(20.51) 10(13.16) 4(8.51) 14(20.59) 9(14.52) 9(16.98)
    家庭饮用水来源 0.024 0.696 0.466
      纯净水 16(41.03) 16(21.05) 14(29.79) 18(26.47) 19(30.65) 13(24.53)
      自来水 23(58.97) 60(78.95) 33(70.21) 50(73.53) 43(69.35) 40(75.47)
    腌肉食用频率 0.043 0.716 0.718
      从不食用 5(12.82) 26(34.21) 12(25.53) 19(27.94) 14(22.58) 17(32.08)
      <1次/月 21(53.85) 31(40.79) 24(51.06) 28(41.18) 32(51.61) 20(37.74)
      ≥1次/月 13(33.33) 19(25.00) 11(23.40) 21(30.88) 16(25.81) 16(30.19)
    咸菜食用频率 0.049 0.668 0.286
      从不食用 4(10.26) 26(34.21) 11(23.40) 19(27.94) 12(19.35) 18(33.96)
      <1次/月 16(41.03) 23(30.26) 16(34.04) 23(33.82) 23(37.10) 16(30.19)
      1~3次/月 14(35.90) 16(21.05) 14(29.79) 16(23.53) 20(32.26) 10(18.87)
      >3次/月 5(12.82) 11(14.47) 6(12.77) 10(14.71) 7(11.29) 9(16.98)
    油炸/烟熏/烧烤食用频率 0.079 0.025 0.025
      从不食用 3(7.69) 19(25.00) 4(8.51) 18(26.47) 6(9.68) 16(30.19)
      <1次/月 11(28.21) 18(23.68) 12(25.53) 17(25.00) 17(27.42) 12(22.64)
      ≥1次/月 25(64.10) 39(51.32) 31(65.96) 33(48.53) 39(62.90) 25(47.17)
    坚果食用频率 0.045 0.433 0.130
      0~1次/月 22(56.41) 29(38.16) 22(46.81) 29(42.65) 31(50.00) 20(37.74)
      1~3次/月 11(28.21) 25(32.89) 16(34.04) 20(29.41) 19(30.65) 17(32.08)
      >3次/月 6(15.38) 22(28.95) 9(19.15) 19(27.94) 12(19.35) 16(30.19)
    禽类食用频率 0.091 0.337 0.006
      0~3次/月 6(15.38) 23(30.26) 8(17.02) 21(30.88) 9(14.52) 20(37.74)
      1~2次/周 16(41.03) 28(36.84) 21(44.68) 23(33.82) 25(40.32) 19(35.85)
      3~4次/周 9(23.08) 15(19.74) 11(23.40) 13(19.12) 16(25.81) 8(15.09)
      >4次/周 8(20.51) 10(13.16) 7(14.89) 11(16.18) 12(19.35) 6(11.32)
    酸奶食用频率 0.286 0.906 0.995
      <1次/月 9(23.08) 17(22.37) 9(19.15) 17(25.00) 28(45.16) 18(33.96)
      1~3次/月 16(41.03) 31(40.79) 19(40.43) 28(41.17) 8(12.90) 19(35.85)
      >3次/月 14(35.90) 28(36.84) 19(40.43) 23(33.82) 26(41.94) 16(30.19)
    新鲜鸡蛋食用频率 0.311 0.070 0.607
      ≤3次/月 1(2.56) 5(6.58) 4(8.51) 2(2.94) 4(6.45) 2(3.77)
      1~6次/周 13(33.33) 29(38.16) 20(42.55) 22(32.35) 23(37.10) 19(35.85)
      >6次/周 25(64.10) 42(55.26) 23(48.94) 44(64.71) 35(56.45) 32(60.38)
    牛奶食用频率 0.258 0.062 0.172
      从不食用 12(30.77) 11(14.47) 12(25.53) 11(16.18) 16(25.81) 7(13.21)
      1~3次/月 8(20.51) 21(27.63) 14(29.79) 15(22.06) 16(25.81) 13(24.53)
      1~4次/周 8(20.51) 22(28.95) 11(23.40) 19(27.94) 13(20.97) 17(32.08)
      >4次/周 11(28.21) 22(28.95) 10(21.28) 23(33.82) 17(27.42) 16(30.19)
    水产品食用频率 0.122 0.751 0.255
      0~3次/月 5(12.82) 23(30.26) 8(17.02) 20(29.41) 10(16.13) 18(33.96)
      1~2次/周 19(48.72) 29(38.16) 25(53.19) 23(33.82) 31(50.00) 17(32.08)
      3~4次/周 10(25.64) 16(21.05) 9(19.15) 17(25.00) 14(22.58) 12(22.64)
      >4次/周 5(12.82) 8(10.53) 5(10.64) 8(11.76) 7(11.29) 6(11.32)
    吸烟史 0.695 0.643 0.845
      无 29(74.36) 59(77.63) 37(78.72) 51(75.00) 47(75.81) 41(77.36)
      有 10(25.64) 17(22.37) 10(21.28) 17(25.00) 15(24.19) 12(22.64)
    饮酒史 0.964 0.384 0.369
      无 35(89.74) 68(89.47) 44(93.62) 59(86.76) 57(91.94) 46(86.79)
      有 4(10.26) 8(10.53) 3(6.38) 9(13.24) 5(8.06) 7(13.21)
    饮茶史 0.584 0.847 0.507
      <1次/周 24(61.54) 49(64.47) 30(63.83) 43(63.24) 39(62.90) 34(64.15)
      ≥1次/周 15(38.46) 27(35.53) 17(36.17) 25(36.76) 23(37.10) 19(35.85)
    既往Hp根除史 <0.001 0.021 <0.001
      无 37(94.87) 29(38.16) 33(70.21) 33(48.53) 46(70.21) 20(48.53)
      有 2(5.13) 47(61.84) 14(29.79) 35(51.47) 16(29.79) 33(51.47)
    近3月非抗菌药物用药史 0.879 0.992 0.592
      无 17(43.59) 32(42.11) 20(42.55) 29(42.65) 25(40.32) 24(45.28)
      有 22(56.41) 44(57.89) 27(57.45) 39(57.35) 37(59.68) 29(54.72)
    消化不良症状 0.429 0.673 0.762
      无 21(53.85) 35(46.05) 24(51.06) 32(47.06) 31(50.00) 25(47.17)
      有 18(46.15) 41(53.95) 23(48.94) 36(52.94) 31(50.00) 28(52.83)
    一级亲属恶性肿瘤史 0.509 0.775 0.166
      无 27(69.23) 57(75.00) 35(74.47) 49(72.06) 42(67.74) 42(79.25)
      有 12(30.77) 19(25.00) 12(25.53) 19(27.94) 20(32.26) 11(20.75)
    动物饲养 0.166 0.379 0.755
      无 25(64.10) 58(76.32) 36(76.60) 47(69.12) 44(70.97) 39(73.58)
      有 14(35.90) 18(23.68) 11(23.40) 21(30.88) 18(29.03) 14(26.42)
    Hp (Helicobacter pylori):幽门螺杆菌
    下载: 导出CSV 
    | 显示表格

    为纳入更多自变量,并结合临床实践,将单因素分析中P<0.1的指标纳入多因素Logistic回归分析,结果显示,既往Hp根除史(OR=74.782, 95% CI: 10.377~538.886,P<0.001)、家庭饮用水来源为自来水(OR=4.919,95% CI: 1.160~20.859, P=0.031)可增加菌株对克拉霉素的耐药风险,年龄≥50岁可增加菌株对左氧氟沙星的耐药风险(OR=4.261, 95% CI: 1.420~12.785,P=0.010),既往Hp根除史(OR=5.855, 95% CI: 2.209~15.517, P<0.001)、年龄40~59岁(OR=3.269, 95% CI: 1.254~ 8.520,P=0.015)可增加菌株对克拉霉素+左氧氟沙星双重耐药风险,见表 2

    表  2  克拉霉素、左氧氟沙星单药及双重耐药危险因素的多因素Logistic回归分析
    Table  2.  Multivariate Logistic regression analysis of risk factors for clarithromycin and levofloxacin mono-resistance and dual-resistance
    抗菌药物 影响因素 β SE Wald OR(95% CI) P
    克拉霉素 家庭饮用水来源为自来水(以纯净水为参照) 1.593 0.737 4.673 4.919(1.160~20.859) 0.031
    腌肉食用频率(以从不食用为参照)
      <1次/月 -0.282 0.847 0.111 0.754(0.143~3.965) 0.739
      ≥1次/月 0.296 0.966 0.094 1.344(0.202~8.923) 0.759
    咸菜食用频率(以从不食用为参照)
      <1次/月 -1.754 0.987 3.158 0.173(0.025~1.198) 0.076
      1~3次/月 -1.608 0.991 2.636 0.200(0.029~1.396) 0.104
      >3次/月 -0.787 1.118 0.495 0.455(0.051~4.075) 0.482
    油炸/烟熏/烧烤食用频率(以从不食用为参照)
      <1次/月 -1.002 1.098 0.833 0.367(0.043~3.158) 0.361
      ≥1次/月 -0.749 1.008 0.552 0.473(0.066~3.409) 0.458
    坚果食用频率(以0~1次/月为参照)
      1~3次/月 1.263 0.689 3.363 3.537(0.917~13.649) 0.067
      >3次/月 0.766 0.782 0.961 2.152(0.465~9.956) 0.327
    禽类食用频率(以0~3次/月为参照)
      1~2次/周 -1.583 0.829 3.640 0.205(0.040~1.044) 0.056
      3~4次/周 -0.460 0.867 0.281 0.631(0.115~3.455) 0.596
      >4次/周 0.436 0.921 0.224 1.546(0.254~9.409) 0.636
    既往Hp根除史(以无为参照) 4.315 1.008 18.334 74.782(10.377~538.886) <0.001
    左氧氟沙星 年龄(以19~29岁为参照)
      30~39岁 0.759 0.740 1.053 2.137(0.501~9.113) 0.305
      40~49岁 1.410 0.732 3.707 4.097(0.975~17.216) 0.054
      50~59岁 2.308 0.850 7.374 10.057(1.901~53.218) 0.007
      60~80岁 2.526 0.964 6.868 12.499(1.890~82.640) 0.009
    新鲜鸡蛋食用频率(以≤3次/月为参照)
      1~6次/周 1.036 1.087 0.908 2.817(0.335~23.723) 0.341
      >6次/周 1.479 1.093 1.831 4.388(0.515~37.377) 0.176
    油炸/烟熏/烧烤食用频率(以从不食用为参照)
      <1次/月 -1.148 0.774 2.200 0.317(0.070~1.446) 0.138
      ≥1次/月 -0.718 0.785 0.835 0.488(0.105~2.274) 0.361
    牛奶食用频率(以从不食用为参照)
      1~3次/月 0.127 0.673 0.036 1.135(0.304~4.245) 0.850
      1~4次/周 1.103 0.681 2.626 3.013(0.794~11.437) 0.105
      >4次/周 0.996 0.673 2.190 2.708(0.724~10.134) 0.139
    既往Hp根除史(以无为参照) 0.909 0.481 3.569 2.482(0.966~6.376) 0.059
    克拉霉素+左氧氟沙星 年龄(以19~29岁为参照)
      30~39岁 0.901 0.832 1.173 2.463(0.482~12.586) 0.279
      40~49岁 1.714 0.814 4.434 5.550(1.126~27.351) 0.035
      50~59岁 2.385 0.894 7.124 10.862(1.885~62.604) 0.008
      60~80岁 1.383 0.954 2.101 3.986(0.614~25.862) 0.147
    油炸/烟熏/烧烤食用频率(以从不食用为参照)
      <1次/月 -1.339 0.727 3.391 0.262(0.063~1.090) 0.066
      ≥1次/月 -0.648 0.733 0.782 0.523(0.124~2.201) 0.377
    禽类食用频率(以0~3次/月为参照)
      1~2次/周 -1.207 0.602 4.028 0.299(0.092~0.972) 0.045
      3~4次/周 -0.995 0.681 2.134 0.370(0.097~1.405) 0.144
      >4次/周 -0.784 0.756 1.076 0.457(0.104~2.008) 0.300
    既往Hp根除史(以无为参照) 1.767 0.497 12.629 5.855(2.209~15.517) <0.001
    Hp:同表 1
    下载: 导出CSV 
    | 显示表格

    本研究基于南京医科大学附属苏州医院115例Hp感染患者的临床资料,横断面调查了菌株对常见抗菌药物的耐药性,并分析了影响菌株耐药性的宿主因素。结果显示,Hp菌株对甲硝唑的耐药率最高(91.30%),其次为左氧氟沙星(53.04%)和克拉霉素(51.30%),未发现对阿莫西林、呋喃唑酮、四环素耐药菌株。双重耐药方面,以左氧氟沙星+甲硝唑双重耐药率最高(50.43%),其次为克拉霉素+甲硝唑双重耐药(47.83%)。多重耐药方面,克拉霉素+左氧氟沙星+甲硝唑三重耐药率为34.78%。多因素Logistic回归分析显示,既往Hp根除史、家庭饮用水来源、年龄可能与克拉霉素、左氧氟沙星单药或双重耐药具有相关性。

    目前国际上普遍认为Hp的目标根除率至少为85%,但实际临床实践中由于诸多条件的制约可能无法达到预期,其中的重要原因为菌株对抗菌药物产生耐药[7]。研究显示,反复杀菌失败可导致菌株耐药性随之升高[11],而提高首次根除成功率有助于缓解Hp耐药升高趋势。由于设备条件、成本效益、患者接受度等因素限制了微生物学检测和分子生物学检测的广泛应用,因此,探寻菌株耐药性及其可能的风险因素,对于制订个体化根除方案具有重要意义。2010年一项针对苏州地区Hp感染者的调查显示[12],对甲硝唑耐药的现象较为普遍(75.5%),余常见抗菌药物中,除克拉霉素的耐药率为19.4%外,其他药物的耐药率均低于10%。2013年一项针对我国东南沿海地区人群的调查表明,Hp菌株对甲硝唑耐药率最高(95.4%),其次为克拉霉素(21.5%)和左氧氟沙星(20.6%),而对阿莫西林、庆大霉素、呋喃唑酮的耐药率较低(均为0.1%),双重、三重和四重耐药率分别为25.5%、7.5%和0.1%[13]。本研究结果显示,Hp菌株对甲硝唑、左氧氟沙星、克拉霉素的耐药率依次为91.30%、53.04%、51.30%,未发现对阿莫西林、呋喃唑酮、四环素耐药菌株。结合文献数据可知,苏州地区Hp感染患者菌株对甲硝唑耐药现象极为严重,且近年来未见缓解趋势,与此同时对左氧氟沙星、克拉霉素耐药现象呈明显升高趋势,且双重/多重耐药日益凸显,提示苏州地区Hp感染患者在进行Hp根除时,应谨慎选取甲硝唑、左氧氟沙星、克拉霉素作为抗菌药物,以免根除失败。

    宿主因素一定程度上可影响抗菌药物的疗效,进而影响根除效果,因此了解来自患者方面的耐药风险因素,有助于制订个体化精准治疗方案。克拉霉素属于大环内酯类抗生素,临床多用于治疗呼吸道感染。本研究结果显示,各年龄段Hp感染者对克拉霉素的耐药率普遍较高,可能与近年来呼吸道疾病频发,该药物使用较为广泛有关。多因素Logistic回归分析显示,既往有Hp根除史可增加菌株对克拉霉素耐药的风险,与Lyu等[14]的研究结果一致。此外,既往文献[15-16]报道,与根除Hp无关的抗菌药物使用史也可增加菌株对克拉霉素耐药的风险。临床指南指出,对于首次根除失败的Hp感染患者,仅建议在克拉霉素耐药率较低(<15%) 的区域内再次使用含克拉霉素的根除疗法[6]。因此,既往频繁使用抗菌药物和复治性Hp感染患者,应尽量避免使用含克拉霉素的根除方案。

    本研究结果提示,饮用水来源也可能对克拉霉素耐药性产生潜在影响,日常饮用自来水(未经家庭终端净水设备处理)的Hp感染患者中72.29%对克拉霉素耐药,而饮用纯净水的患者有50.00%对克拉霉素耐药(P=0.024)。苏州市的饮用水水源主要来自太湖,另外包括长江及阳澄湖、尚湖、傀儡湖等,而近期一项针对江苏省水源抗生素污染情况的调查显示,太湖水样中共检出7种抗生素,检出率为大环内酯类>喹诺酮类>青霉素类>磺胺类;长江水样中红霉素检出浓度最高,达36.241 ng/L[17]。水源中抗生素残留可能会诱导Hp耐药性产生。随着抗菌药物的不规范使用,包括水产养殖、农业、畜牧业、医疗保健、企业工厂等相关单位的废水排放,抗菌药物残留及抗性基因可能会在环境中蓄积并污染水源[18],通过常规净水工艺难以完全清除,并可在食物链中传递[19-20],进而通过不同途径影响人类。韩国一项针对鱼类养殖场水质的研究显示,投喂30 min后,养鱼场出水样本中的抗菌药物耐药基因丰度是投喂前的5倍,是入水样本的12倍[21]。推测耐药基因可在水中蓄积,并最终影响人类对抗菌药物的敏感性。本研究未发现水产品食用频率与左氧氟沙星及克拉霉素+左氧氟沙星双重耐药存在明显关联,考虑与未严格区分水产品来源相关,如河鲜与海鲜,人工养殖与野生生长。如抗菌药物不规范使用现象得不到有效遏制,环境污染因素将会在全球抗菌药物耐药性增长中扮演更加重要的角色[22],需深入分析其驱动机制,加强监督管控,并制订应对措施。

    左氧氟沙星通过阻碍细菌核酸的合成进而发挥抗菌作用,是临床使用最为广泛的广谱抗菌药物之一。本研究单因素分析结果显示,Hp菌株对左氧氟沙星的耐药率在不同年龄组之间存有统计学差异,且多因素分析显示,年龄≥50岁可增加Hp感染患者菌株对左氧氟沙星的耐药风险(P=0.010),与梅浩[23]等研究认为40岁以上患者对左氧氟沙星的耐药率明显升高的观点基本一致。分析原因:左氧氟沙星常用于尿路感染的治疗,随年龄增长,上述疾病发生率增高,需进行相关治疗的风险增大,因此耐药现象更严重。针对北京地区人群的一项研究显示,克拉霉素、左氧氟沙星、甲硝唑耐药率在根除治疗一次后即可出现明显上升,而在根除治疗2~3次后耐药率可达100%[24],且随既往根除次数增多,双重或多重耐药率显著增加。本研究显示,既往Hp根除史、年龄40~59岁可增加Hp感染患者菌株对克拉霉素+左氧氟沙星双重耐药风险,结合上述针对左氧氟沙星耐药率分析结果,建议40岁以上Hp感染患者,尤其非首次根除治疗者,避免使用克拉霉素+左氧氟沙星的组合。如有条件,建议进行药敏检测,选用敏感抗生素进行根除治疗,以增加杀菌成功率,并减少耐药菌株产生。

    本研究局限性:(1)研究对象均为就诊于南京医科大学附属苏州医院的患者,可能导致分析结果存在偏倚;(2)为横断面调查,无法对菌株的耐药趋势进行精准分析;(3)通过问卷收集患者的生活方式和饮食习惯、个人史等信息,可能存在一定的回忆偏倚。

    综上所述,本研究结合Hp感染患者人口学资料、生活方式、饮食习惯、健康状况,多角度考量了宿主因素对Hp菌株耐药性的影响。结果显示,南京医科大学附属苏州医院Hp感染患者分离培养的菌株对甲硝唑、左氧氟沙星、克拉霉素的耐药率较高,且双重耐药、多重耐药现象突出。有既往Hp根除史、家庭饮用水来源为自来水的患者对克拉霉素的耐药风险显著增加,年龄≥50岁患者对左氧氟沙星的耐药风险增加,有既往Hp根除史、40~59岁患者对克拉霉素+左氧氟沙星双重耐药的风险增加。临床工作者应结合耐药性分析结果,个体化制订Hp根除方案,以提高经验性杀菌尤其是首次杀菌的成功率,并根据需要筛选有必要进行药敏检测的目标人群,以期在实现有效根除Hp的同时,减轻患者医疗负担,缓解抗菌药物耐药趋势,促进医疗资源的合理配置。

    作者贡献:张雪媛、许鸿雁负责研究方案设计、实验操作、数据分析与论文撰写;董跃明、刘丹凤、孙鹏蕊负责数据采集与标注;颜锐、崔洪亮、雷红、任菲负责数据审核及内容审校。
    利益冲突:所有作者均声明不存在利益冲突
  • 图  1   去噪前后的真菌图像对比

    图  2   基于改进的MobileNetV2模型结构示意图

    图  3   Dilated SE模块运行示意图

    图  4   11种真菌显微镜图像

    图  5   基于改进的MobileNetV2真菌分类模型混淆矩阵

    图  6   部分真菌原始显微镜图像和类激活热力图

    A.光滑念珠菌;B.葡萄芽菌;C.新型隐球菌;D.黑曲霉菌;E.烟曲霉菌;F.杂色曲霉菌
    (1)原始显微镜图像;(2)类激活热力图,颜色越趋于红色,表示该区域受网络结构的关注度越高

    表  1   改进的MobileNetV2真菌分类模型在测试集中的表现(x±s,%)

    菌种 查准率 召回率 F1值
    烟曲霉菌 99.77±0.16 98.95±0.29 99.36±0.08
    杂色曲霉菌 96.41±0.62 99.77±0.16 98.06±0.25
    黑曲霉菌 100±0 97.16±0.63 98.56±0.32
    解脂假丝酵母菌 99.63±0 100±0 99.81±0
    近平滑念珠菌 96.36±0.51 97.90±0.46 97.12±0.46
    葡萄芽菌 97.50±0.70 96.53±0.17 97.01±0.40
    季也蒙念珠菌 99.87±0.18 99.35±0.49 99.61±0.16
    克柔念珠菌 100±0 100±0 100±0
    光滑念珠菌 99.39±0.86 96.97±1.71 98.15±0.77
    热带念珠菌 96.53±1.87 99.28±1.02 97.86±0.85
    新型隐球菌 100±0 99.57±0 99.78±0
    下载: 导出CSV

    表  2   不同分类模型在测试集中的运行结果

    指标 参数量(M) 内存占用量(M) FPS 准确率(x±s,%) AUC(x±s)
    ResNet18 11.18 252.44 527 98.83±0.16 0.9935±0.0008
    MobileNetV2 2.24 603.82 501 98.68±0.12 0.9928±0.0006
    SENet 0.74 292.24 562 97.78±1.70 0.9878±0.0032
    DenseNet121 6.97 1341.44 177 98.81±0.27 0.9939±0.0011
    Inception V3 21.81 468.05 105 98.84±0.11 0.9948±0.0007
    改进的MobileNetV2 4.22 356.89 573 99.09±0.18 0.9944±0.0018
    FPS:网络每秒处理的图像数量;AUC:曲线下面积
    下载: 导出CSV
  • [1]

    Chen M, Xu Y, Hong N, et al. Epidemiology of fungal infections in China[J]. Front Med, 2018, 12: 58-75. DOI: 10.1007/s11684-017-0601-0

    [2]

    Sanguinetti M, Posteraro B, Beigelman-Aubry C, et al. Diagnosis and treatment of invasive fungal infections: looking ahead[J]. J Antimicrob Chemother, 2019, 74: 27-37.

    [3] 何文军, 李曼, 李涛, 等. 基于血细胞形态识别的自动检测系统的研发[J]. 现代检验医学杂志, 2019, 34: 110-114. https://www.cnki.com.cn/Article/CJFDTOTAL-SXYN201902027.htm

    He WJ, Li M, Li T, et al. Study on Automatic Detection System Base on Blood Cell Morphology Recognition[J]. Xiandai Jianyan Yixue Zazhi, 2019, 34: 110-114. https://www.cnki.com.cn/Article/CJFDTOTAL-SXYN201902027.htm

    [4] 赵颖, 李志荣, 赵建宏, 等. 河北地区临床实验室丝状真菌分离鉴定情况分析[J]. 中国真菌学杂志, 2020, 15: 206-212. DOI: 10.3969/j.issn.1673-3827.2020.04.004

    Zhao Y, Li ZR, Zhao JH, et al. Analysis of filamentous fungi isolations from clinical laboratories in Hebei province[J]. Zhongguo Zhenjunxue Zazhi, 2020, 15: 206-212. DOI: 10.3969/j.issn.1673-3827.2020.04.004

    [5]

    Tamiev D, Furman PE, Reuel NF. Automated classification of bacterial cell sub-populations with convolutional neural networks[J]. PLoS One, 2020, 15: e0241200. DOI: 10.1371/journal.pone.0241200

    [6]

    Kulwa F, Li C, Zhang J, et al. A new pairwise deep learning feature for environmental microorganism image analysis[J]. Environ Sci Pollut Res Int, 2022. doi: 10.1007/s11356-022-18849-0.

    [7]

    Zhang J, Li C, Kosov S, et al. LCU-Net: A novel low-cost U-Net for environmental microorganism image segmentation[J]. Pattern Recogn, 2021, 115: 107885. DOI: 10.1016/j.patcog.2021.107885

    [8]

    Liang CM, Lai CC, Wang SH, et al. Environmental microorganism classification using optimized deep learning model[J]. Environ Sci Pollut Res Int, 2021, 28: 31920-31932. DOI: 10.1007/s11356-021-13010-9

    [9] 李卓识, 陈晓旭, 温长吉, 等. 基于机器学习的鹅膏属真菌形态特征分类模型研究[J]. 中国农机化学报, 2020, 41: 136-143. https://www.cnki.com.cn/Article/CJFDTOTAL-GLJH202001026.htm

    Li ZS, Chen XX, Wen CJ, et al. Study on classification model of morphological characteristics of amanita fungi based on machine learning[J]. Zhongguo Nongjihua Xuebao, 2020, 41: 136-143. https://www.cnki.com.cn/Article/CJFDTOTAL-GLJH202001026.htm

    [10]

    Tahir MW, Zaidi NA, Rao AA, et al. A fungus spores dataset and a convolutional neural network based approach for fungus detection[J]. IEEE Transact Nano Biosci, 2018, 17: 281-290.

    [11]

    Zhang J, Lu S, Wang X, et al. Automatic identification of fungi in microscopic leucorrhea images[J]. J Opt Soc Am A Opt Image Sci Vis, 2017, 34: 1484-1489. DOI: 10.1364/JOSAA.34.001484

    [12] 周院. 基于深度学习的真菌图像分类算法研究[D]. 西安: 西安理工大学, 2019.
    [13] 郝如茜. 白带显微图像中霉菌自动识别及清洁度判定的研究[D]. 成都: 电子科技大学, 2017.
    [14]

    Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transact Syst Man Cyb, 2007, 9: 62-66.

    [15]

    Hao R, Wang X, Zhang J, et al. Automatic detection of fungi in microscopic leucorrhea images based on convolu-tional neural network and morphological method[C]. 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 2019: 2491-2494.

    [16]

    Sandler M, Howard A, Zhu M, et al. Mobilenetv2: Inverted residuals and linear bottlenecks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 4510-4520.

    [17]

    Deng J, Dong W, Socher R, et al. Imagenet: A large-scale hierarchical image database[C]. 2009 IEEE Conference on Computer Vision and Pattern Recognition, 2009: 248-255.

    [18]

    Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7132-7141.

    [19]

    Yu F, Koltun V. Multi-Scale Context Aggregation by Dilated Convolutions[C]. International Conference on Learning Representations, 2016. https://doi.org/10.48550/arXiv.1511.07122.

    [20]

    He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.

    [21]

    Huang G, Liu Z, Laurens V, et al. Densely connected convolutional networks[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 4700-4708.

    [22]

    Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the inception architecture for computer vision[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 2818-2826.

    [23]

    Loshchilov I, Hutter F. SGDR: Stochastic Gradient Descent with Restarts[J]. ICLR 2017 Conference Paper, 2016. https://doi.org/10.48550/arXiv.1608.03983.

    [24]

    Pan SJ, Qiang Y. A survey on transfer learning[J]. IEEE Transact Knowl Data En, 2010, 22: 1345-1359.

    [25]

    Selvaraju RR, Cogswell M, Das A, et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization[J]. Int J Comput Vision, 2020, 128: 336-359.

    [26]

    Mital ME, Tobias RR, Villaruel H, et al. Transfer learning approach for the classification of conidial fungi (genus aspergillus) thru pre-trained deep learning models[C]. 2020 IEEE Region 10 Conference (Tencon), 2020: 1069-1074.

    [27]

    Billones RK, Calilung EJ, Dadios EP, et al. Aspergillus species fungi identification using microscopic scale images[C]. 2020 IEEE 12th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management(HNICEM), 2020. doi: 10.1109/HNICEM51456.2020.9400039.

    [28]

    Zawadzki P. Deep learning approach to the classification of selected fungi and bacteria[C]. 2020 IEEE 21st International Conference on Computational Problems of Electrical Engineering (CPEE), 2020: 1-4.

    [29]

    Zieliński B, Sroka-Oleksiak A, Rymarczyk D, et al. Deep learning approach to describe and classify fungi microscopic images[J]. PLoS One, 2020, 15: e0234806.

图(6)  /  表(2)
计量
  • 文章访问数:  737
  • HTML全文浏览量:  169
  • PDF下载量:  57
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-03-30
  • 录用日期:  2022-05-25
  • 网络出版日期:  2022-09-19
  • 刊出日期:  2023-01-29

目录

/

返回文章
返回
x 关闭 永久关闭