Skuteczna identyfikacja bakterii ma kluczowe znaczenie w diagnostyce medycznej, kontroli jakości żywności, badaniach środowiskowych oraz w przemyśle farmaceutycznym. Tradycyjne metody identyfikacji mikroorganizmów są jednak czasochłonne, wymagają wykwalifikowanego personelu i długiej inkubacji, nawet do siedmiu dni. Nowoczesne metody, takie jak PCR, są skuteczne, ale nie pozwalają na identyfikację wszystkich gatunków bakterii w jednej analizie i są kosztowne. Klient potrzebował rozwiązania, które pozwoli na szybkie, zautomatyzowane i niedrogie wykrywanie bakterii z możliwością identyfikacji wielu gatunków jednocześnie, eliminując ograniczenia tradycyjnych i nowoczesnych metod.

Zbudowany został dedykowany system optyczny, który rejestruje widma Fresnela tworzące się gdy strumień światła przepływa przez kolonie bakteryjne hodowane na standardowych szalkach Petriego. Te unikalne wzorce stanowią podstawę do dalszej analizy obrazu. W pierwszym etapie opracowaliśmy proces przetwarzania obrazu, który umożliwia ekstrakcję kluczowych cech morfologicznych i teksturalnych, pozwalających odróżnić poszczególne gatunki bakterii. System analizuje te cechy za pomocą algorytmów matematycznej morfologii oraz klasycznych metod przetwarzania obrazu, aby skutecznie filtrować zakłócenia i skupić się na istotnych cechach diagnostycznych.
Modele uczenia maszynowego, które zaimplementowaliśmy, klasyfikują bakterie na podstawie danych pochodzących ze wstępnej z analizy obrazu. Sieci neuronowe oraz modele boosted trees pozwalają na identyfikację jednego z dziesiątek gatunków bakterii obecnych w bazie danych, a w przypadku niskiego poziomu dopasowania generowane jest powiadomienie o braku zgodności. System był trenowany na zestawie danych zawierającym kontrolowane szczepy bakteryjne i stopniowo rozszerzany na rzeczywiste próbki pacjentów oraz materiały pochodzące z linii produkcyjnych. Aby zapewnić wysoką jakość analizy, wdrożyliśmy elastyczny model przetwarzania danych, który pozwala na stopniowe skalowanie liczby rozpoznawanych gatunków od kilku do potencjalnie nieograniczonej liczby.

Nasze rozwiązanie znacznie przyspiesza proces identyfikacji bakterii, skracając czas analizy do 24 godzin i zapewniając skuteczność klasyfikacji przekraczającą 96%, co zostało potwierdzone przez brytyjskie laboratorium certyfikacją zgodności z odpowiednią normą ISO. W przeciwieństwie do innych metod, nasz system pozwala na jednoczesną identyfikację wielu gatunków bakterii, wykorzystując standardowe podłoża mikrobiologiczne. Jest to metoda szybka, niedroga i możliwa do zintegrowania z istniejącymi procedurami laboratoryjnymi. System umożliwia również ponowną analizę tej samej próbki innymi metodami, co jest niemożliwe w przypadku standardowych testów diagnostycznych.

Nasza współpraca z klientem rozpoczęła się zaplanowania sposobu i kroków przekształcenia prototypu stworzonego na uniwersytecie w funkcjonalne, kompaktowe urządzenie i oprogramowanie gotowe do komercjalizacji. Proces ten obejmował iteracyjną optymalizację algorytmów przetwarzania obrazu i metod klasyfikacji, początkowo bazując na szczepach referencyjnych, a następnie rozszerzając analizę na rzeczywiste próbki oraz materiały przemysłowe. Wspólnie zoptymalizowaliśmy metody inkubacji tak, aby pasowały do standardowych procesów laboratoriów mikrobiologicznych oraz dostosowaliśmy urządzenie do masowej produkcji, zmniejszając jego rozmiar, poprawiając dokładność i redukując koszty produkcji. Opracowaliśmy mechanizmy automatycznego przetwarzania danych, umożliwiające szybkie i skuteczne generowanie wyników, jednocześnie dbając o równowagę między precyzją a efektywnością analizy.

Wdrożyliśmy elastyczne podejście do przetwarzania obrazu, umożliwiające wymianę poszczególnych modułów i dostosowywanie ich do etapu rozwoju urządzenia. Wykorzystaliśmy algorytmy matematycznej morfologii, klasyczne metody ekstrakcji cech oraz modele uczenia maszynowego, w tym sieci neuronowe i boosted trees. Każdy etap procesu był iteracyjnie udoskonalany, zapewniając najwyższą skuteczność identyfikacji bakterii, przy zachowaniu efektywności obliczeniowej i przystępnych kosztów analizy.