Научный коллектив, объединивший специалистов Чунцинского университета почты и телекоммуникаций и госпиталя Дапин при Армейском медицинском университете, опубликовал результаты работы в области экспресс-диагностики инфекционных бактерий в ранах. Исследователям удалось совместить технологию флуоресцентной гиперспектральной визуализации с алгоритмами глубокого обучения, что позволило проводить неинвазивное быстрое распознавание нескольких распространённых патогенов. Для сбора данных учёные использовали гиперспектральную камеру FigSpec FS-22 китайской компании CHNSpec — этот прибор обеспечил эксперимент качественной спектральной информацией и подтвердил свой потенциал в области прецизионного биооптического анализа.

Своевременная диагностика бактериального инфицирования ран критически важна для клинической практики, однако традиционные методы (бактериологический посев, ПЦР) требуют много времени и связаны с инвазивным забором материала. Разработка технологии, позволяющей быстро и без повреждения тканей идентифицировать возбудителей, оставалась актуальной задачей. Гиперспектральная визуализация способна одновременно фиксировать пространственное распределение объекта и его непрерывные спектральные характеристики, а флуоресцентный режим дополнительно повышает чувствительность к химическому составу микроорганизмов за счёт возбуждения свечения на определённых длинах волн. В представленной работе этот подход использовался для систематического анализа восьми видов бактерий, часто вызывающих раневые инфекции.

Ключевая роль в экспериментах отводилась камере CHNSpec FigSpec FS-22. Прибор работает в спектральном диапазоне 400–1000 нм и обладает высоким пространственным разрешением 1920 × 1920 пикселей, что позволило детально регистрировать сигналы аутофлуоресценции бактерий под воздействием лазера с длиной волны 405 нм. На основе полученных данных исследователи сформировали крупный флуоресцентный гиперспектральный датасет, включающий 25 600 образцов с разными видами бактерий, их концентрациями и временем роста. Для обработки сложных многомерных данных с малыми спектральными различиями между штаммами была разработана глубокая нейросетевая архитектура — «пространственно-спектральная многомасштабная сеть внимания». Эта модель эффективно выделяет зоны бактериальных колоний, подавляет фоновые помехи от питательной среды и извлекает из спектральной информации тонкие дискриминативные признаки.

Согласно опубликованным результатам, предложенный метод достиг 98,52 % точности классификации бактерий в различных условиях роста, а точность идентификации на уровне видов составила 98,71 %. Эффективное обнаружение сохранялось даже при низкой концентрации патогенов — до 10⁴ КОЕ/мл. Сравнение с несколькими существующими алгоритмами подтвердило надёжность работы нейросети, обученной на гиперспектральных данных, полученных с помощью камеры CHNSpec. Полученные результаты демонстрируют принципиальную возможность сочетания флуоресцентной гиперспектральной визуализации и методов глубокого обучения для быстрого микробиологического анализа.

Хотя работа выполнялась в лабораторных условиях с использованием чистых культур бактерий, она наглядно показывает ценность гиперспектральных технологий в биомедицинской диагностике. Стабильные характеристики камеры FigSpec FS-22 и её способность собирать богатую спектральную информацию создают надёжную аппаратную основу для подобных передовых разработок. Дальнейшее совершенствование алгоритмов и адаптация метода к клиническим реалиям позволят приблизиться к созданию портативных устройств для неинвазивного, быстрого и точного определения возбудителей раневых инфекций, что открывает новые возможности в области инфекционного контроля и персонализированной терапии.

https://en.chnspec.com/News/info.aspx?itemid=1075