Обнаружение цитопатических эффектов, вызванных гриппом, парагриппом и энтеровирусом, с помощью сверточной нейронной сети глубокой архитектуры

Выделение вируса в культурах клеток с последующим наблюдением цитопатических эффектов (ЦЭ) является основным методом идентификации вирусов в клинических образцах. Однако наблюдение ЦЭ требует опытных инспекторов и большого количества времени для оценки изменений морфологии клеток. В настоящем исследовании мы использовали искусственный интеллект (ИИ) для повышения эффективности идентификации вирусов. После ряда сравнений мы выбрали ResNet-50 в качестве базовой архитектуры и применили модели глубокого обучения с обучением на одну задачу и с многозадачным обучением для распознавания ЦЭ, вызванных гриппом, энтеровирусом и парагриппом. Точности моделей с обучением на одну задачу и с многозадачным обучением составили 97,78% и 98,25% соответственно. Кроме того, многозадачная модель увеличила точность одноточечной модели с 95,79% до 97,13% при наличии лишь небольшого объема данных по ЦЭ, вызванным парагриппом. Мы модифицировали обе модели, вставив соответственно мультиплексор и демультиплексор, чтобы повысить долю правильных классификаций для известных клеточных линий. В заключение мы представляем архитектуру глубокого обучения на базе ResNet-50 и многозадачную модель, демонстрирующие отличную работоспособность в распознавании вирус-индуцированных ЦЭ.