Detection of carbapenem resistance in Klebsiella pneumoniae using convolutional vision transformers and MALDI-TOF proteomic profiles.

Salazar Marín, Valentina

Publicación:
Detection of carbapenem resistance in Klebsiella pneumoniae using convolutional vision transformers and MALDI-TOF proteomic profiles.

dc.contributor.advisor	Fernández García, Geysson Javier
dc.contributor.advisor	Bravo Ortíz, Mario Alejandro
dc.contributor.author	Salazar Marín, Valentina
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.creator.email	vsalazarm@eafit.edu.co
dc.date.accessioned	2026-02-12T17:13:16Z
dc.date.available	2026-02-12T17:13:16Z
dc.date.issued	2025
dc.description	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.
dc.description.abstract	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.
dc.description.degreelevel	Maestría	spa
dc.description.degreename	Magíster en Biociencias	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad EAFIT
dc.identifier.reponame	reponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourl	repourl:https://repository.eafit.edu.co
dc.identifier.uri	https://hdl.handle.net/10784/36832
dc.language.iso	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Área Sistemas Naturales y Sostenibilidad	spa
dc.publisher.faculty	Escuela de Ciencias Aplicadas e Ingeniería	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Biociencias	spa
dc.rights	Todos los derechos reservados	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Acceso abierto
dc.subject	Resistencia bacteriana
dc.subject	MALDI-TOF MS
dc.subject	Aprendizaje automático
dc.subject	Aprendizaje profundo
dc.subject	Inteligencia artificial
dc.subject.keyword	Bacterial resistanse
dc.subject.keyword	Machine Learning
dc.subject.keyword	Deep learning
dc.subject.keyword	Artificial Intelligence
dc.subject.lemb	APRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)
dc.subject.lemb	SALUD PÚBLICA - COLOMBIA
dc.subject.lemb	MICROBIOLOGÍA
dc.subject.lemb	DIAGNÓSTICO MICROBIOLÓGICO
dc.title	Detection of carbapenem resistance in Klebsiella pneumoniae using convolutional vision transformers and MALDI-TOF proteomic profiles.
dc.type	info:eu-repo/semantics/masterThesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.local	Tesis de Maestría	spa
dc.type.redcol	http://purl.org/redcol/resource_type/TM
dc.type.version	info:eu-repo/semantics/acceptedVersion
dspace.entity.type	Publication