L’apprentissage en profondeur accélère la détection des bactéries vivantes à l’aide de matrices de transistors à couches minces

L'apprentissage en profondeur accélère la détection des bactéries vivantes à l'aide de matrices de transistors à couches minces (TFT).

Détection et classification précoces basées sur l’IA des bactéries vivantes à l’aide de réseaux de transistors à couches minces (TFT) couramment utilisés dans les écrans de téléphones mobiles. Crédit : UCLA Engineering Institute for Technology Advancement

La détection et l’identification précoces des bactéries pathogènes dans les échantillons d’aliments et d’eau sont essentielles pour la santé publique. Les infections bactériennes causent des millions de décès dans le monde et entraînent un lourd fardeau économique, coûtant plus de 4 milliards de dollars par an aux États-Unis seulement. Parmi les bactéries pathogènes, Escherichia coli (E. coli) et d’autres bactéries coliformes sont parmi les plus courantes et indiquent une contamination fécale dans les échantillons d’aliments et d’eau. La méthode la plus conventionnelle et la plus fréquemment utilisée pour détecter ces bactéries implique la culture des échantillons, ce qui prend généralement plus de 24 heures pour la lecture finale et nécessite un examen visuel expert. Bien que certaines méthodes basées, par exemple, sur l’amplification des acides nucléiques, puissent réduire le temps de détection à quelques heures, elles ne permettent pas de différencier les bactéries vivantes et mortes et présentent une faible sensibilité à de faibles concentrations de bactéries. C’est pourquoi l’Environmental Protection Agency (EPA) des États-Unis n’approuve aucune méthode de détection de bactéries à base d’acide nucléique pour le dépistage des échantillons d’eau.

Dans un article récemment publié dans ACS Photoniqueun journal de l’American Chemical Society (ACS), une équipe de scientifiques, dirigée par le professeur Aydogan Ozcan du département de génie électrique et informatique de l’Université de Californie à Los Angeles (UCLA), et ses collègues ont développé un AI- système intelligent de détection de colonies bactériennes utilisant un réseau de transistors à couches minces (TFT), qui est une technologie largement utilisée dans les téléphones mobiles et autres écrans.

La zone d’imagerie ultra-large de la matrice TFT (27 mm × 26 mm) fabriquée par des chercheurs de Japan Display Inc. a permis au système de capturer rapidement les schémas de croissance des colonies bactériennes sans avoir besoin de scanner, ce qui a considérablement simplifié à la fois le matériel et conception de logiciels. Ce système a réalisé des économies de temps d’environ 12 heures par rapport aux méthodes de référence basées sur la culture approuvées par l’EPA. En analysant les images microscopiques capturées par le réseau TFT en fonction du temps, le système basé sur l’IA pourrait détecter rapidement et automatiquement la croissance des colonies avec un réseau neuronal profond. Suite à la détection de chaque colonie, un deuxième réseau de neurones est utilisé pour classer les espèces de bactéries.

L’efficacité de ce système automatisé de détection de colonies bactériennes a été démontrée en effectuant une détection et une classification précoces de trois types de bactéries, à savoir E. coli, Citrobacter et Klebsiella pneumoniae (K. pneumoniae). Les chercheurs ont atteint un taux de détection de colonies > 90 % en neuf heures et ont ensuite identifié leur espèce à environ 12 heures, ce qui correspond à un gain de temps d’environ 12 heures par rapport aux méthodes de culture approuvées par l’EPA. De plus, toutes les étapes de traitement numérique prennent

Ces résultats démontrent la faisabilité de ce système automatisé de détection de colonies bactériennes basé sur l’IA utilisant des matrices TFT en tant que technique rapide, rentable et précise, particulièrement adaptée aux environnements à ressources limitées. En raison du faible coût et de la production de chaleur, de la grande évolutivité et de la faible consommation d’énergie des matrices TFT largement utilisées dans les écrans mobiles, cette plate-forme de détection automatisée de colonies a un potentiel énorme pour être utilisée dans la recherche en microbiologie et la détection de bactéries sur le terrain.


L’apprentissage en profondeur permet la détection précoce et la classification des bactéries vivantes à l’aide de l’holographie


Plus d’information:
Yuzhu Li et al, Deep Learning-Enabled Detection and Classification of Bacterial Colonies Using a Thin-Film Transistor (TFT) Image Sensor, ACS Photonique (2022). DOI : 10.1021/acsphotonics.2c00572

Fourni par UCLA Engineering Institute for Technology Advancement

Citation: L’apprentissage en profondeur accélère la détection de bactéries vivantes à l’aide de matrices de transistors à couches minces (6 juillet 2022) récupéré le 6 juillet 2022 sur https://techxplore.com/news/2022-07-deep-bacteria-thin-film-transistor- tableaux.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.