Publicación: Detection of carbapenem resistance in Klebsiella pneumoniae using convolutional vision transformers and MALDI-TOF proteomic profiles.
Fecha
2025
Autores
Salazar Marín, Valentina
dc.contributor.advisor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Antimicrobial resistance is a growing global health problem, significantly increasing morbidity, mortality and healthcare costs. Traditionally, the identification of antibiotic resistance is based on phenotypic methods such as agar diffusion or automated systems such as VITEK, which require 24-72 hours to yield definitive results, delaying appropriate patient management. In this context, the need for faster and more accurate diagnostic aid strategies arises. This study explores the integration of artificial intelligence (AI) and mass spectrometry techniques for the classification of carbapenem-resistant Klebsiella pneumoniae strains. Specifically, matrix-assisted laser desorption/ionization-assisted laser desorption/ionization time-of-flight mass spectrometry (MALDI-TOF MS) data were used to generate proteomic profiles potentially associated with resistance mechanisms. However, the complexity and high volume of these data make the use of AI tools capable of identifying robust patterns indispensable. A convolutional vision transformer (CVT) model was implemented to classify carbapenem-resistant Klebsiella pneumoniae strains from a set of 180 proteomic spectra collected by Synlab Colombia. The CVT model outperformed traditional convolutional neural networks and other automated learning approaches, achieving higher accuracy and stability. Grad-CAM visualization improved model interpretability by identifying key spectral regions associated with resistance. The results highlight the potential of Vision Transformers in microbiological diagnostics by significantly reducing resistance detection time and contributing to a timelier clinical response. Future studies should explore the applicability of this methodology on other resistant pathogens to improve global surveillance efforts against antimicrobial resistance.
Descripción
La resistencia a los antimicrobianos es un problema de salud global creciente, que aumenta significativamente la morbilidad, la mortalidad y los costos de la atención médica. Tradicionalmente, la identificación de la resistencia a los antibióticos se basa en métodos fenotípicos como la difusión en agar o sistemas automatizados como VITEK, que requieren de 24 a 72 horas para obtener resultados definitivos, retrasando el manejo adecuado del paciente. En este contexto, surge la necesidad de estrategias de ayuda diagnóstica más rápidas y precisas. Este estudio explora la integración de la inteligencia artificial (IA) y las técnicas de espectrometría de masas para la clasificación de cepas de Klebsiella pneumoniae resistentes a carbapenémicos. Específicamente, se utilizaron datos de espectrometría de masas de tiempo de vuelo con desorción/ionización láser asistida por matriz (MALDI-TOF MS) para generar perfiles proteómicos potencialmente asociados con los mecanismos de resistencia. Sin embargo, la complejidad y el alto volumen de estos datos hacen indispensable el uso de herramientas de IA capaces de identificar patrones robustos. Se implementó un modelo de transformador de visión convolucional (CVT) para clasificar cepas de Klebsiella pneumoniae resistentes a carbapenémicos a partir de un conjunto de 180 espectros proteómicos recopilados por Synlab Colombia. El modelo CVT superó a las redes neuronales convolucionales tradicionales y otros enfoques de aprendizaje automático, logrando mayor precisión y estabilidad. La visualización Grad-CAM mejoró la interpretabilidad del modelo al identificar regiones espectrales clave asociadas con la resistencia. Los resultados resaltan el potencial de los transformadores de visión en el diagnóstico microbiológico, al reducir significativamente el tiempo de detección de la resistencia y contribuir a una respuesta clínica más oportuna. Estudios futuros deberían explorar la aplicabilidad de esta metodología a otros patógenos resistentes para mejorar las iniciativas de vigilancia global contra la resistencia a los antimicrobianos.
Palabras clave
Citación
dc.relation.uri
dc.identifier.doi
Colecciones
dc.rights
Todos los derechos reservados