在诊断感染和选择适当的治疗方法时，细菌鉴定可能需要数小时甚至更长时间，这是宝贵的时间。据KAIST的研究人员称，可能会有一个更快、更准确的过程。通过教授一种深度学习算法来识别各种细菌分子成分的“指纹”光谱，研究人员可以对不同介质中的各种细菌进行分类，准确率高达98%。

他们的研究结果于1月18日在BiosensorsandBioelectronics上在线提供，然后在该期刊的4月号上发表。

由直接细菌感染或暴露于细菌毒素引起的细菌引起的疾病会引起疼痛症状甚至导致死亡，因此快速检测细菌对于防止摄入受污染的食物和从临床样本中诊断感染至关重要，如尿液。“通过使用新提出的深度学习模型增强的表面增强拉曼光谱(SERS)分析，我们展示了一种非常简单、快速且有效的途径，无需任何分离程序即可对两种常见细菌及其驻留介质的信号进行分类，”计算机学院的SunghoJo教授说。

拉曼光谱通过样品发送光以查看它是如何散射的。结果揭示了样本的结构信息——光谱指纹——使研究人员能够识别其分子。表面增强版本将样品池放置在贵金属纳米结构上，有助于放大样品的信号。

然而，由于许多重叠的峰源(例如细胞壁中的蛋白质)，获得一致和清晰的细菌光谱具有挑战性。“此外，周围介质的强信号也被增强以压倒目标信号，需要耗时且繁琐的细菌分离步骤，”材料科学与工程系的YeonSikJung教授说。

为了解析噪声信号，研究人员实施了一种称为深度学习的人工智能方法，可以分层提取光谱信息的某些特征来对数据进行分类。他们专门设计了他们的模型，命名为双分支宽核网络(DualWKNet)，以有效地学习光谱特征之间的相关性。据Jo教授说，这种能力对于分析一维光谱数据至关重要。

“尽管有来自媒体的干扰信号或噪声，这使得不同细菌光谱的一般形状及其驻留的媒体信号看起来相似，但细菌类型及其媒体的分类准确度很高，”Jo教授解释说，DualWKNet允许团队识别每个类别中在单个光谱中几乎难以辨认的关键峰，从而提高分类精度。“最终，通过使用DualWKNet取代细菌和培养基分离步骤，我们的方法大大缩短了分析时间。”

研究人员计划使用他们的平台研究更多的细菌和培养基类型，利用这些信息在其他培养基中建立各种细菌类型的训练数据库，以减少新样本的收集和检测时间。

“我们通过SERS和深度学习之间的合作开发了一个有意义的通用平台，用于快速细菌检测，”Jo教授说。“我们希望扩展我们基于深度学习的SERS分析平台的使用，以检测对食品或临床分析很重要的其他介质(例如血液)中的多种细菌。