Pohled na využití umělé inteligence v klinické mikrobiologii

Súhrn

Hurych J, Dřevínek P. Pohled na využití umělé inteligence v klinické mikrobiologii

Umělá inteligence (AI) představuje v posledních letech revoluční nástroj, který má potenciál zásadně proměnit provoz laboratoří klinické mikrobiologie. Díky schopnosti automatizovat rutinní činnosti, analyzovat komplexní datové soubory a rozpoznávat vzorce, které lidskému oku často uniknou, může AI významně přispět k vyšší efektivitě, standardizaci a přesnosti laboratorní diagnostiky.

Jednou z klíčových oblastí je analýza obrazových dat –⁠ ať už jde o interpretaci mikroskopických nátěrů (např. Gramovo barvení), nebo digitální čtení kultivačních ploten, kde algoritmy rozpoznávají kolonie, odhadují jejich počet, barvu a morfologii, a tím napomáhají včasné detekci patogenů. Podobně přispívá AI i k zefektivnění práce v molekulární mikrobiologii, např. při hodnocení PCR křivek nebo sekvenačních dat. Stále větší roli hraje také v rámci automatizačních linek, které propojují robotickou manipulaci se vzorky s digitálním obrazovým záznamem a algoritmickým vyhodnocením.

V oblasti antimikrobiální rezistence slouží AI k analýze velkých souborů antibiogramů a genomických dat s cílem odhalovat vzorce rezistence, predikovat klinické dopady a podpořit rozhodování o antibiotické terapii. Systémy klinické podpory rozhodování (CDSS) integrují laboratorní výsledky a klinické informace a přinášejí personalizovanější přístup k antimikrobiální léčbě.

Zavádění AI je však spojeno s řadou výzev –⁠ od potřeby standardizace trénovacích dat přes validaci algoritmů až po jejich srozumitelnost pro koncové uživatele. Klíčovým přínosem je ale skutečnost, že umělá inteligence může mikrobiologům „uvolnit ruce“ od rutinní práce a umožnit jim věnovat více času odborné interpretaci a konziliární činnosti –⁠ tedy tam, kde jejich odbornost přináší největší přidanou hodnotu.

Klíčová slova:

umělá inteligence – automatizace – mikrobiologie

Úvod

Umělá inteligence (AI) se v posledních letech dynamicky rozvíjí napříč medicínskými obory a klinická mikrobiologie není výjimkou. Díky schopnosti analyzovat rozsáhlá a komplexní data, zautomatizovat rutinní činnosti a odhalit skryté vzorce v datech má AI potenciál zásadně proměnit každodenní laboratorní provoz. V situaci, kdy roste počet požadavků na rychlou a přesnou mikrobiologickou diagnostiku, může být AI významným nástrojem k zvýšení efektivity i kvality péče. Tento článek nabízí přehled aktuálních možností využití AI v mikrobiologické laboratoři a výhled na její další uplatnění.

Analýza obrazových dat –⁠ cesta k automatizované interpretaci

Jedním z nejpřirozenějších míst, kde může AI v mikrobiologii najít uplatnění, je analýza mikroskopických nebo makroskopických obrazů. V současnosti se výzkumné týmy i výrobci diagnostických systémů snaží využít algoritmy strojového učení pro zjednodušení a urychlení činností, které byly dosud výhradně doménou zkušených odborníků.

Automatická interpretace mikroskopických nátěrů

Interpretace mikroskopických preparátů, zejména barvených podle Grama, je v mikrobiologii základní, ale stále časově náročnou činností, která většinově stále vyžaduje účast zkušeného mikrobiologického pracovníka. AI se díky hlubokému učení (deep learning) dokáže naučit rozpoznávat jednotlivé buněčné a mikrobiální struktury, jako jsou bakterie, mykotická vlákna, protozoa, vajíčka mnohobuněčných parazitů, leukocyty nebo epitelové buňky, a určit jejich typ nebo množství. Tím pomůže zejména ve „filtrování“ rutinních vzorků, které jsou z mikrobiologického pohledu negativní, ale i v detekci suspektních struktur, na které je ihned upozorněn mikrobiologický pracovník, aniž by sám musel odečítat desítky zorných polí s rizikem přehlédnutí a nevýhodou značné časové ztráty. V budoucnu by taková technologie mohla sloužit nejen jako pomocník pro začínající mikrobiology, ale i jako nástroj pro standardizaci a zrychlení diagnostiky (nejen) v době nedostatku kvalifikovaného personálu.^(1,2)

Digitální vyhodnocování kultivačních nálezů

Denním chlebem pracovníků v mikrobiologii je hodnocení nálezů na pevných kultivačních půdách, které vyžaduje mnoho pozornosti, pečlivosti a také zkušeností a neustálé kontroly. Nové systémy založené na počítačovém vidění a umělé inteligenci již dnes dokážou počítat kolonie, určovat jejich barvu, tvar a velikost a tím napomoci s identifikací a klasifikací patogenů, například rezistentních kmenů enterokoků či stafylokoků (pokud jsou hodnoceny na selektivních půdách a/nebo chromogenních agarech). Některé algoritmy navíc dokážou s jistotou rozpoznat kompletně negativní kultivační plotny, a tak snížit potřebu manuálního dohledu běžných vzorků, které jsou negativní. Systémy jako DeepColony podle studií dosahují více než 99% shody při hodnocení negativních kultur a více než 95% při hodnocení kultur pozitivních.^(3,4)

Automatizace procesů a optimalizace pracovních toků

V moderní mikrobiologické laboratoři představují významnou část činností pracovníků jejich rutinní úkoly –⁠ od příjmu vzorků přes zadávání údajů, ukládání kultivačních ploten s vyočkovaným materiálem do inkubátorů a jejich opakované vyjímání z inkubátorů pro odečet až po uzavření nálezů. Právě zde může umělá inteligence převzít iniciativu a ulevit laboratornímu personálu, který se tak může více soustředit na složitější analýzy, konzultace a interpretace. Skvělým příkladem je připravovaný software automatizačních linek na zpracování materiálu.

Automatizační linky na zpracování materiálu

Aby bylo možné reagovat na rostoucí požadavky a výzvy v laboratořích klinické mikrobiologie, zavádějí se automatizované pracovní stanice, jako jsou systémy BD Kiestra™ Total Lab Automation (Beckton Dickinson, NJ, USA) či WASPLab® (Copan Diagnostics, CA, USA), které zefektivňují dosavadní pracovní postupy a zvyšují produktivitu práce v laboratoři. Tyto systémy automatizují různé procesy, včetně označování destiček, očkování materiálu na plotny, inkubace ploten a zobrazování nálezů na plotnách (viz výše), čímž se snižuje čas, který laboratorní personál tráví manuálními úkony. Taková modulární konstrukce systémů umožňuje flexibilní konfiguraci a škálovatelnost, takže se lze přizpůsobit specifickým potřebám různých laboratoří. Automatizací rutinních úkolů umožňují tyto pracovní stanice mikrobiologům soustředit se na složitější analýzy a kritické rozhodování, což v konečném důsledku zlepšuje dobu zpracování a přesnost diagnóz. Sekundárně pak mikrobiologovi „uvolňuje ruce“ ke konziliární činnosti.

Molekulární mikrobiologie

V oblasti molekulární mikrobiologie se AI uplatňuje zejména při interpretaci výsledků PCR metod, včetně analýzy amplifikačních křivek nebo hodnocení dat ze sekvenování. V běžném provozu laboratorně vyvíjených testů či komerčních sad je manuální hodnocení často časově náročné a náchylné k chybám. AI nástroje mohou tento proces zrychlit a zpřesnit, čímž nejen šetří čas, ale zároveň zvyšují bezpečnost a kvalitu diagnostiky.⁽³⁾ Konkrétně se může jednat o algoritmy strojového učení, které lze trénovat na historických datech, aby analyzovaly parametry kvality, kontrolovaly křivky PCR a prosazovaly pravidla kontroly kvality.⁽³⁾ Jedním z příkladů je PCR.Ai, automatizovaný nástroj, který využívá strojové učení a logiku „if-then“ k automatizaci procesů po analýze PCR testů.

Algoritmy AI stále častěji používají k analýze různého typu sekvenačních dat pro účely charakterizace kmenů či molekulární epidemiologie. Nástroje založené na AI zefektivňují různé aspekty zpracování dat NGS (next generation sequencing), včetně kontroly kvality, taxonomického zařazení a detekce genů antimikrobiální rezistence.⁽⁵⁾ Tato integrace snižuje složitost a čas potřebný pro analýzu.⁽⁴⁾

MALDI-TOF MS –⁠ ještě přesnější spektrální analýza

Hmotnostní spektrometrie MALDI-TOF je již dnes zlatým standardem v identifikaci bakterií a většiny klinicky významných mikromycét. Umělá inteligence zde může pomoci s jemnější analýzou spektrálních dat, zejména při rozlišení příbuzných druhů či v případech smíšených infekcí, kdy klasické softwarové algoritmy často selhávají.⁽⁴⁾ Mohla by pomoci pro epidemiologickou surveillance, tj. porovnávání spekter a příbuznosti izolátů.

Umělá inteligence v boji proti antimikrobiální rezistenci

Globální nárůst rezistence na antibiotika klade vysoké nároky na sledování trendů, identifikaci rezistentních kmenů a predikci šíření rezistence i volbu vhodných terapeutických postupů, zahrnujících účinná antibiotika s co nejužším spektrem. AI může díky schopnosti pracovat s daty z nemocničního a laboratorního informačního systému a s obrovským množstvím dat z antibiogramů, sekvenačních analýz a klinických záznamů odhalovat vzorce a vztahy, které by jinak zůstaly skryté. Využívají se i pokročilé přístupy, jako je učení v grafech (graph-based machine learning), které dokážou propojovat informace o patogenu, genetických determinantech a klinických projevech.^(2,3,6)

Využití AI sahá až k předpovídání výsledků léčby konkrétních pacientů a optimalizaci léčebných strategií prostřednictvím systémů klinické podpory rozhodování (clinical decision support systems, CDSS). Tyto systémy analyzují zdravotní záznamy pacientů, aby posoudily adekvátnost léčby a předpověděly potenciální problémy, jako jsou například neracionální požadavky na antibiotickou terapii. Díky integraci anamnézy pacienta, laboratorních výsledků a aktuálních klinických pokynů mohou CDSS pomáhat lékařům při informovaném rozhodování, podporovat správné používání antimikrobiálních látek a zlepšovat výsledky léčby pacientů. Komerční systémy jako LUMED (Biomérieux, Francie) jsou příkladem takových nástrojů, které využívají AI k poskytování informací v reálném čase založených na datech pro identifikaci patogenů a účinnost antibiotik.

V návaznosti na předchozí odstavec o MALDI-TOF jsou ve vývoji i nástroje AI schopné rozlišit producenty enzymů rezistentních k antibiotikům, jako třeba nebezpečných karbapenemáz, ze snadno dostupných spektrálních dat.⁽⁷⁾

Výzvy a perspektivy dalšího vývoje

Přestože AI nabízí mnoho slibných možností, její zavádění do běžného provozu naráží na řadu překážek. Jednou z hlavních je absence standardizovaných trénovacích dat a validačních metod, které by umožnily objektivní porovnání různých algoritmů. Dále je třeba, aby vývojáři lépe porozuměli potřebám klinických mikrobiologů a přizpůsobili nástroje reálným podmínkám laboratorní praxe. Klíčovou roli zde hraje tzv. vysvětlitelná AI (explainable AI), která umožňuje uživatelům pochopit, na základě jakých vstupů a mechanismů dochází k výstupům algoritmu.⁽⁸⁾

Do budoucna se očekává rozšíření AI do dalších oblastí mikrobiologie –⁠ od rychlejší detekce infekcí přes predikci klinických komplikací až po kontrolu nozokomiálních nákaz. AI nástroje mohou být rovněž propojeny s telemedicínou –⁠ díky digitalizaci obrazů umožní vzdálené konzultace a posudky i pro menší nebo komunitní laboratoře. Umělá inteligence nebude mikrobiology nahrazovat, ale doplňovat –⁠ například tím, že předzpracuje a předtřídí obrazová data a mikrobiologovi se pak „uvolní ruce“ a bude moci zaměřit svou pozornost na složitější či hraniční případy jak v diagnostické, tak konziliární činnosti.^(3,4) |