Application de la microscopie couplée à l'IA par une approche de deep learning pour l'identification présomptive des agents fongiques responsables de fongémies et la détection de la résistance aux antifongiques.

pplication of microscopy coupled with AI using a deep learning approach for the presumptive identification of fungal agents responsible for fungal infections and the detection of resistance to antifungal agents.

• Auteur / Autrice : Inas Oulkaid
• Direction : Arnaud Fekkar, Yaneck Gottesman
• Type : Projet de thèse
• Discipline(s) : Microbiologie et immunologie
• Date : Inscription en doctorat le 04/11/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Complexité du vivant
• Partenaire(s) de recherche : Laboratoire : Centre d'Immunologie et de Maladies Infectieuses
• Partenaire(s) de recherche : Equipe de recherche : Chemokines, Phagocytes et Inflammation

Mots clés

Mots clés libres

Fongémies

Intelligence artificielle

Microscopie

Résistance antifongique

Fungemia

Artificial intelligence

Microscopy

Antifungal resistance

Résumé

Les fongémies sont des infections graves causées par des champignons pathogènes, principalement observées dans les hôpitaux et associées à une morbi-mortalité élevée. Une méta-analyse récente a révélé une incidence de 5,5 pour 1 000 admissions et un taux de mortalité de 37 % dans les 30 jours suivant le diagnostic. Les patients les plus à risque sont ceux en soins intensifs, immunodéprimés ou atteints de cancer. La plupart des fongémies sont dues à des levures du genre Candida spp., avec seulement six espèces responsables de 90 % des cas. D'autres levures et champignons filamenteux peuvent aussi causer ces infections. L'identification rapide de l'espèce fongique est cruciale pour administrer le traitement antifongique le plus adapté. Actuellement, il existe trois classes d'antifongiques : azolés, échinocandines et polyènes. La résistance aux antifongiques, notamment chez Candida parapsilosis et Candida auris, pose un défi de santé publique. Le diagnostic de fongémie repose sur la détection de champignons dans des flacons d'hémoculture. Le projet vise à améliorer le diagnostic des fongémies en utilisant la microscopie couplée à l'intelligence artificielle (IA). En se basant sur des images microscopiques de flacons d'hémoculture positifs, l'objectif est de développer un système capable d'identifier rapidement et précisément les espèces fongiques responsables des infections. Cette approche permettrait non seulement une identification plus rapide mais aussi une meilleure adaptation du traitement antifongique en fonction de l'espèce identifiée. Le projet comporte deux axes principaux : le premier axe utilise un microscope optique standard associé à un smartphone pour capturer des images, rendant la technologie accessible et déployable à grande échelle. Le second axe explore la détection des résistances antifongiques via la microscopie par ptychographie de Fourier (FPM), une technique innovante qui offre des données plus riches et détaillées que la microscopie standard. Cette double approche vise à fournir un diagnostic rapide et précis, tout en détectant les mécanismes de résistance aux antifongiques, ce qui est crucial pour une prise en charge efficace et économique des patients atteints de fongémies.

Fungemias are serious infections caused by pathogenic fungi, mainly observed in hospitals and associated with high morbidity and mortality. A recent meta-analysis revealed an incidence of 5.5 per 1,000 admissions and a mortality rate of 37% within 30 days of diagnosis. Patients most at risk are those in intensive care, immunocompromised or suffering from cancer. Most fungal infections are caused by yeasts of the Candida spp. genus, with just six species responsible for 90% of cases. Other yeasts and filamentous fungi can also cause these infections. Rapid identification of the fungal species is crucial to administering the most appropriate antifungal treatment. There are currently three classes of antifungal agents: azoles, echinocandins and polyenes. Antifungal resistance, particularly in Candida parapsilosis and Candida auris, poses a public health challenge. The diagnosis of fungemia is based on the detection of fungi in blood culture bottles. The project aims to improve the diagnosis of fungal infections using microscopy coupled with artificial intelligence (AI). Based on microscopic images of positive blood culture bottles, the aim is to develop a system capable of rapidly and accurately identifying the fungal species responsible for infections. This approach would not only enable faster identification, but also better adaptation of the antifungal treatment according to the type of infection. antifungal treatment according to the species identified. The project has two main strands: the first uses a standard optical microscope combined with a smartphone to capture images, making the technology accessible and deployable on a large scale. The second explores the detection of antifungal resistance using Fourier ptychography microscopy (FPM), an innovative technique that offers richer and more detailed data than standard microscopy. This dual approach aims to provide a rapid and accurate diagnosis, while detecting the mechanisms of antifungal resistance, which is crucial to the effective and economical management of patients suffering from fungal infections.