细菌鉴定不再只求种名：13种菌的单细胞图像，按耐药检测路径分组后准确率从65.4%升到77.1%
核心概要
细菌单细胞图像分类在未见菌株上很难做到精确到种。SC-MAPS 汇集13个菌种、916435个单细胞，把相差、明场与三种荧光通道对齐到同一细胞，用深度学习融合多通道特征；在留出菌株上单细胞种级准确率为65.4%，把种概率按八个耐药检测路径组汇总后升到77.1%，同一菌株样本合并5个细胞后达91.1%。
深度剖析
细菌鉴定改用同一细胞的多种显微图像共同判断，而不是只看单一成像通道。 单通道里表现最好的是相差，DenseNet121 在独立留出菌株上达到54.8%的种级准确率；DAPI 次之，WGA-AF647 与 FM1-43 随菌种起伏，明场始终最弱。 把 DAPI、WGA-AF647、FM1-43 与相差四个独立训练模型的类别概率取平均，DenseNet121 的留出准确率升到61.2%；改为特征级融合后进一步达到65.4%。
精确种名之外，图像信息还能支撑更粗的耐药检测路径分组。 13个菌种被预先划入八个按耐药检测需求定义的路径组，单细胞种级准确率为65.4%。 把同一组内各菌种的预测概率相加后，单细胞路径组准确率为77.1%、宏平均F1为74.8%，高于保持组大小不变的随机分组均值68.1%（经验P=0.0115）；种级判错的细胞中有34.5%仍落在正确的路径组。
把同一样本中若干细胞的预测合并，比逐个细胞判断更可靠。 在120个至少含200个分割细胞的留出样本上，单细胞路径组准确率为77.9%。 合并5个细胞后路径组准确率升到91.1%，10个细胞为94.2%，20个细胞为96.2%，200个细胞为99.1%；种级准确率则从单细胞的66.3%升到5个细胞的80.5%和20个细胞的86.5%。
模型还能把训练中从未见过的菌判为陌生，而不是硬塞进已知菌种。 分类器是闭集，五个未见菌种（无乳链球菌、粪肠球菌、屎肠球菌、单核细胞增生李斯特菌、流感嗜血杆菌）的细胞必然被分配到13个已知类之一。 在特征空间用 k 近邻距离区分已知与未见细胞，AUROC 为0.944，在保留94.3%已知细胞的阈值下拒绝77.8%的未见细胞；合并5个细胞后未见菌检出率从79.7%升到99.8%。
启示与展望
评估范围是13个菌种、每个菌种一个独立留出菌株的固定显微图像数据，路径组准确率针对本研究预先定义的八个分组，不代表对药敏、MIC、耐药机制或治疗反应的预测。作者提出下一步需要覆盖更大菌株多样性的分离株集合，并在不同操作者、实验室、培养条件和成像系统上做外部评估。
作者说明每个菌种所含菌株数量仍然有限，开放集分析只纳入五个未见菌种，应视为原理验证而非通用开放集分类器的验证；合成混合群由独立成像的纯培养计算生成，未包含物理共培养、染色相互作用或样本基质效应；直接训练八类路径组与种级概率汇总的置信区间重叠，未独立确立两者差异。