Study and application of new imaging techniques and artificial intelligence for bacterial identification
Etude et application de nouvelles techniques d'imagerie et d'intelligence artificielle pour l'identification bactérienne
Résumé
Since the discovery of bacteria and of their involvement in numerous human pathologies, their detection and identification are at the center of the diagnosis and treatment of bacterial infections. Nowadays, the determination of proteomic and/or molecular profiles of a strain has emerged as gold standard for the identification of pathogenic microorganisms, even if older techniques like Gram staining, biochemical assays or culture on agar media are still present in the panel of diagnostic techniques.The appearance of new techniques is not the single point of evolution of modern bacteriology. The number of samples received for diagnosis in bacteriology laboratories is in constant increase, partly due to the ageing of population but also to the burden of antimicrobial resistance. The economic and medical aspects of bacterial infections are pushing clinical microbiology laboratories to shorten times of analysis for bacterial identification while keeping the cost of the analysis as low as possible. The arrival of the first automated systems, based on biochemical identification in the 1990s, then the use of mass spectrometry a decade later, have marked the rise of automation in bacteriology laboratories.The analysis of diffraction pattern from bacterial colonies is based on the phenomenon of Fresnel diffraction. When a LASER is directed to a bacterial colony, it is diffracted in a specific diffraction pattern. It has been demonstrated that such diffraction patterns are specific of the shape and conformation of the bacterial colony and thus possibly of the bacterial species. This approach is therefore potentially applicable to bacterial identification. It is the objective of the Biokube Automation company which is developing a device based on this principle and has funded the PhD project presented here.The aim of the PhD work was to establish the proof of concept of the possible use of diffraction pattern from colonies for bacterial identification and to develop a device able to realize those identification. The development of the BioKube prototype has been done in parallel with the development of a software and the implementation of a convolutional neural network allowing the classification of diffraction patterns in partnership with the company Revartis. This work led to a functional prototype allowing the detection of colonies, the acquisition of their diffraction pattern as well as their classification.To perform bacterial identification using convolutional neural network, the training of the network on databases is required. Therefore, for this proof of concept, two databases including 6 bacterial species have been built. The diffraction patterns constituting these databases were acquired at two different incubation times (12 and 16 hours) to study the growth delay required for identification by this new approach. Classification models developed from the databases have allowed an identification of bacterial species with 95,4% and 94% of correct classification respectively after 12 and 16 hours of incubation. Established from a restricted database including only 6 different bacterial species, these results give a proof of concept of this new approach of bacterial identification but required complementary studies to validate the use of this new technique for bacterial identification.
Depuis la découverte des bactéries et de leur implication dans de nombreuses pathologies humaines, leur détection et identification est un pilier central du diagnostic et du traitement des infections bactériennes. De nos jours, la détermination des profils protéomique et/ou moléculaire d’une souche à identifier, a émergé comme gold-standard pour l’identification de micro-organismes, bien que des techniques plus anciennes comme la coloration de Gram, l’utilisation des tests biochimiques ou la croissance sur milieu gélosé complètent toujours l’arsenal diagnostique utilisé.L’apparition de nouvelles techniques n’est pas le seul point d’évolution de la bactériologie moderne. Le nombre de prélèvements à visée diagnostique reçus dans les laboratoires de bactériologie est en croissance constante, dû en partie au vieillissement de la population mais également à la flambée des résistances bactériennes aux antibiotiques. Les aspects médico-économiques des infections bactériennes poussent en permanence les laboratoires de biologie médicale à chercher à raccourcir le temps d’analyse pour l’identification bactérienne tout en conservant un coût des analyses aussi bas que possible. L’apparition des premiers systèmes automatisés, basés sur l’identification biochimique, dans les années 1990, puis l’utilisation de la spectrométrie de masse en routine une décennie plus tard, ont marqué l’essor de l’automatisation des laboratoires de bactériologie médicale.L’analyse de pattern de diffraction LASER de colonies bactériennes utilise le phénomène de diffraction de Fresnel. Lorsqu’il est dirigé sur une colonie bactérienne, un LASER se retrouve diffracté en un pattern de diffraction. Il a été démontré que ces patterns de diffraction sont spécifiques de la forme et de la conformation de la colonie bactérienne et donc possiblement de l’espèce bactérienne. Cette approche peut ainsi être applicable à l’identification bactérienne. C’est d’ailleurs l’objectif de la société BioKube Automation qui développe un automate basé sur ce principe et qui a financée ce projet de thèse.L’objectif de ce travail de thèse était donc d’établir une preuve de concept pour l’utilisation de pattern de diffraction de colonies bactériennes dans l’optique d’obtenir une identification de l’espèce bactérienne ainsi que de développer un automate permettant ces identifications. Ainsi, le développement du prototype de l’automate BioKube a été mené en parallèle du développement de son logiciel et de l’intégration d’un réseau neuronal convolutif permettant la classification des patterns de diffraction en partenariat avec la société Revartis. Ce travail a abouti à l’obtention d’un prototype fonctionnel permettant la détection de colonies, l’acquisition de leur pattern de diffraction ainsi que leur classification.Pour permettre une identification bactérienne grâce au réseau neuronal convolutif, ce dernier doit être entrainé sur des bases de données. Ainsi, pour cette preuve de concept, deux bases de données ont été développées en incluant 6 espèces bactériennes. Les patterns de diffraction constituant ces bases de données ont été acquis à deux temps différents d’incubation (12 et 16 heures) pour étudier les délais de croissance bactérienne nécessaires à l’obtention d’une identification par cette nouvelle approche. Les modèles de classification développés ont permis une identification des espèces bactériennes avec 95,4 % et 94 % de classifications correctes après respectivement 12 et 16 heures d’incubation. Obtenus à partir d’une base de données restreinte incluant seulement 6 espèces bactériennes, ces résultats établissent une preuve de concept pour cette nouvelle approche d’identification bactérienne mais nécessitent des études complémentaires sur des bases de données contenant un nombre bien plus important d’espèces bactériennes. Ceci dans le but de valider l’utilisation de cette nouvelle technique pour l’identification bactérienne.
| Origine | Version validée par le jury (STAR) |
|---|