第一作者：王志宏
通讯作者：李建璋
通讯单位：台湾大学
近期，台湾大学李建璋在npj Digital Medicine上发表了基于 MALDI-TOF 数据的深度学习系统，用于细菌识别和抗性预测的文章。
基质辅助激光脱附/电离飞行时间（MALDI-TOF）质谱（MS）数据包含了除物种鉴定外未被充分利用的信息。作者开发了一个名为 ANTIBIOTIC 的深度学习系统，能够识别细菌种类，预测抗菌耐药性（AMR），并直接根据原始的 MALDI-TOF 多发性硬化症数据推荐抗生素。利用一个公共数据集（DRIAMS，2015-2018）和来自本地医院数据集（NTUHYL，2017-2023）的 89,026 条 MS 记录，作者构建了 26 个 LightGBM 模型，用于识别最常见的细菌种类，以及 248 个用于预测细菌-抗生素组合间 AMR 的时间卷积网络模型。对于细菌鉴定，模型在曲线下的中位面积（AUC）在内部达到 0.99，在时间分割的外部数据中为 0.96。AMR 预测中位 AUC 内部为 0.94，但时间外部数据降至 0.55，经过近期数据微调后改善至 0.61。将这些模型与大型语言模型集成，使抗生素推荐聊天机器人成为可能。这些发现表明深度学习可以利用 MALDI-TOF 的 MS 数据进行大规模细菌识别和 AMR 预测，尽管 AMR 模型需要定期更新以维持性能。
1. 系统构建：开发了名为 ANTIBIOTIC 的深度学习系统，能够直接从原始 MALDI‑TOF 质谱数据中完成三项任务：细菌种类鉴定、抗菌药物耐药性（AMR）预测 以及 抗生素推荐。
2.细菌鉴定模型表现优异：针对 26 种最常见细菌，采用 LightGBM 算法，内部测试中位 AUC 为 0.99，时间外推测试（2023 年数据）中位 AUC 仍达 0.96，表明模型具有很好的泛化能力。
3.耐药性预测存在时间漂移问题：针对 248 种细菌‑抗生素组合，采用时间卷积网络（TCN），内部测试中位 AUC 为 0.94，但在时间外推测试（2023 年数据）中降至 0.55；通过使用近期数据微调，中位 AUC 可提升至 0.61，说明模型需定期更新以维持性能。
4.整合大语言模型实现临床决策支持：系统结合 LLaMA 3 大语言模型和检索增强生成（RAG）技术，可根据预测的细菌种类和耐药表型，提供抗生素推荐、抗菌药物升降级策略、基于肾功能的剂量调整指导等三项临床功能。。
图1. 数据集分配的研究流程图（A）细菌鉴定模型开发与验证流程图.NTUHYL‑1722 数据集（2017‑2022 年数据）随机分为开发集（70%）和内部测试集（30%）.开发集进一步交叉验证分为训练子集（80%）和验证子集（20%）.NTUHYL‑23 数据集（2023 年数据）用作独立的外部测试数据集.
（B）抗菌药物耐药性预测模型开发与验证流程图.模型首先使用公开的 DRIAMS 数据集进行预训练.预训练模型随后使用本地 NTUHYL‑1722 数据集进行微调.NTUHYL‑1722 数据集随机分为开发集（70%）和内部测试集（30%）.开发集再分为训练集（70%）和验证集（30%）.NTUHYL‑23 数据集用于外部测试,并按时间顺序分为微调数据集（2023 年 1‑8 月）和时间测试数据集（2023 年 9‑12 月）,以评估模型更新的性能.
图2. NTUHYL‑1722 数据集中 10 种最常见细菌物种的抗菌药物耐药性（AMR）概况旭日图内层显示细菌物种,每个扇区的大小与该物种的分离株总数（N）成比例.外层显示针对每种细菌测试的抗生素.外层每个扇区的颜色表示该特定细菌‑抗生素对的 AMR 率：红色表示 AMR 率 ≥ 30%,绿色表示 AMR 率 < 30%.
图3. 细菌鉴定模型的性能26 个细菌鉴定模型的受试者工作特征（ROC）曲线.每条曲线代表鉴定特定细菌物种的性能.（A）内部测试数据集（NTUHYL‑1722）上的模型性能.模型的中位曲线下面积（AUC）为 0.99.
（B）外部测试数据集（NTUHYL‑23）上的模型性能.模型表现出稳健的泛化能力,中位 AUC 为 0.96.外部测试数据集包含 25 种细菌（雷氏普罗维登斯菌因 2023 年无分离株而被排除）.
图4. 抗菌药物耐药性（AMR）预测模型在内部与外部测试数据集上的性能比较
该图比较了 112 个 AMR 预测模型在内部（NTUHYL‑1722）和外部（NTUHYL‑23）测试数据集上的表现.每一行代表一个特定的细菌‑抗生素对,绘制了带有 95% 置信区间（CI）的 AUC.紫色方块表示在内部数据集上的性能,橙色三角形表示在时间上独立的外部数据集上的性能.垂直虚线表示每个数据集的中位 AUC.右侧的条形图显示了 AUC 的差值（内部 AUC 减去外部 AUC）.绿色条占多数表明大多数模型的性能下降超过 0.05.最后一列的 p 值用颜色编码：红色表示有统计学显著性（p < 0.05）,绿色表示无显著差异（p ≥ 0.05）,说明模型对未来数据的性能显著下降.
图 5. 微调对抗菌药物耐药性（AMR）预测模型性能的影响
该图比较了 118 个 AMR 模型在微调前后的性能.每一行绘制了特定细菌‑抗生素对的 AUC 及 95% 置信区间（CI）.橙色三角形表示原始模型的性能（中位 AUC 0.55）,蓝色圆圈表示使用近期数据（2023 年 1‑8 月）微调后的性能（中位 AUC 提升至 0.61）.垂直虚线表示每种情况下的中位 AUC.右侧的条形图量化了性能变化（微调 AUC 减去原始 AUC）,最后一列的 p 值用颜色编码：红色表示有统计学显著性（p < 0.05）,绿色表示无显著差异（p ≥ 0.05）.微调使许多（但非全部）模型的性能获得统计学显著提升.结果表明,定期更新模型可以减轻时间漂移导致的性能下降.
本研究开发并验证了一个名为 ANTIBIOTIC 的深度学习系统，能够直接从原始 MALDI‑TOF 质谱数据中实现细菌种类鉴定、抗菌药物耐药性预测及抗生素推荐。细菌鉴定模型在内部和时间外推测试中均表现优异（中位 AUC 分别为 0.99 和 0.96），具有良好的泛化能力。耐药性预测模型在内部随机分割数据中表现良好（中位 AUC 0.94），但在时间外推数据上性能显著下降（中位 AUC 0.55），通过使用近期数据微调可提升至 0.61，说明耐药性模型需定期更新以应对时间漂移。整合大语言模型后，系统可提供基于耐药表型的个体化抗生素治疗建议。该系统可作为快速筛查工具，填补从细菌鉴定到传统药敏试验结果之间的时间空白，但尚不能完全替代传统药敏试验，临床应用时需结合临床判断。
DOI：10.1038/s41746-026-02879-w
全文链接：https://www.nature.com/articles/s41746-026-02879-w
投稿联系：kangjunkejiquan@163.com.
欢迎各位抗菌同仁进群交流（抗菌科技圈）！由于群人数已满200，各位业界同仁可以添加小编微信（H15650160039或r2535897594xy）邀请进群。
