为了打击生物恐怖活动,韩国科学家利用 AI 来检测炭疽

简介:

雷锋网(公众号:雷锋网)消息,为了打击生物恐怖主义,韩国的科学家们已经开始训练人工智能,以迅速发现炭疽病。新技术虽然还没有达到完全准确的地步,但比目前的测试方法要快的多。它可以彻底改变我们筛选神秘的白色粉末——炭疽病原体芽孢的方式,目前,炭疽病原体芽孢,已经成为一种致命的“生物武器”。

为了打击生物恐怖活动,韩国科学家利用 AI 来检测炭疽

韩国科学技术院的研究人员将全息显微镜与 AI 技术相结合。他们创建的算法可以分析细菌孢子的图像,在不到一秒钟的时间里确定它们是否属于炭疽。根据上周在 《Science Advances》上发表的一篇论文显示,该项技术的准确率已达96%。

据雷锋网了解,炭疽是由炭疽芽孢杆菌引起的一种人畜共患的急性传染病(感染和细菌通常被称为炭疽)。人们在处理受感染动物的皮肤或肉类时,会意外地感染炭疽。临床上主要表现为皮肤坏死、溃疡、焦痂和周围组织广泛水肿及毒血症症状,皮下及浆膜下结缔组织出血性浸润;血液凝固不良,呈煤焦油样,偶可引致肺、肠和脑膜的急性感染,并可伴发败血症。自然条件下,食草兽最易感,人类中等敏感,主要发生于与动物及畜产品加工接触较多及误食病畜肉的人员。

炭疽也是一种危险的生物武器:2001年,美国发生了著名的生物恐怖袭击——“炭疽事件”,从2001年9月18日开始,有人把含有炭疽杆菌的信件寄给数个新闻媒体办公室以及两名民主党参议员。这个事件导致5人死亡,17人被感染。

一旦孢子进入体内,它们会发芽和繁殖,导致流感样疾病以及毒血症症状。如果不治疗的话,至少85%受感染的人会死亡,有时在症状出现后一到两天内就会死亡(相比之下,皮肤感染炭疽病往往不那么致命)。实验室工作人员或是加工动物毛发的人是最容易感染炭疽的一类人。对于这类人,有疫苗可以进行治疗,我们其他人则有抗生素 ——但这些药物只有在接触后尽快开始的时候效果最好。

快速检测炭疽病很重要

因此,快速检测炭疽是很重要的。现在最常见的方法之一是分析孢子的遗传物质或者在感染组织中发现的细菌。但是,通常需要给孢子一点时间繁殖,以产生足够的遗传物质进行分析。密苏里大学的细菌学家 George Stewart 说,“想要通过最快捷的方法获得结果,仍然需要投入更大的精力”,他也开发了一种炭疽检测器,并没有参与这项研究。

为了寻求更快的筛选技术,这项研究的主要作者、物理学家 YongKeun Park 与韩国国防科学研究所进行了合作。他说,我们的目标是做好准备,以防朝鲜利用炭疽作为生物武器。

Park 转向一种被称为全息显微镜的成像技术:与传统的显微镜不同,传统的显微镜只能捕捉到物体的光散射强度,全息显微镜还可以捕获光线行进的方向。由于细胞的结构和组成可以改变光线的反射,研究人员怀疑,全息显微镜可能捕捉到由炭疽和与之密切相关但毒性较小的种类产生的孢子之间的细微差别。

AI可以在几秒钟内识别炭疽孢子

雷锋网了解到, Park 和他的团队训练了一种深入学习算法,从五种不同细菌种类的400多个个体孢子中发现其中的关键差异。一种是炭疽芽孢杆菌,它能够引起炭疽,其余四种是与之密切相关的种类。研究人员并没有确切地告诉 AI 如何辨别不同的种类——它自己就发现了这一点。经过一番训练, AI 在大约96%的时间内可以将炭疽芽孢与非炭疽芽孢杆菌物种区分开来。

该技术并不完美,但作为一种旨在检测生物武器的工具,它必须是(完美的)。“它的缺点是精度低于常规方法,” Park 说。每个细菌种类的多种菌株都接受了分析,但机器只接受了每个物种的一种菌株的训练量。Stewart 说,菌株之间微妙的差异可能会使算法脱离实际。尽管如此,这项新技术发展非常迅速,派上用场指日可待。Stewart 说:“它不需要培养生物体,也不需要提取 DNA ,除了能够使孢子可视化外,它不需要任何其他的东西。”

“这可以增强我们对这种生物威胁的准备。”

接下来, Park 希望为 AI 神经网络提供更多的孢子图像以提高准确性。同时,该方法可用作预筛选工具,用于快速确定人们接触的白色粉末是否为炭疽,以及是否应启用抗生素。随后可以用更慢、更准确的方法来确认结果。

Park说:“这篇文章不会改变一切,但这是朝着能够快速检测炭疽的方法迈出的一步。“这可以增强我们对这种生物威胁的准备。”

本文作者:李雨晨

本文转自雷锋网禁止二次转载,原文链接

相关文章
|
3月前
|
JSON 人工智能 数据格式
AI计算机视觉笔记二十六:YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8,并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据,文档介绍了如何使用`labelme`标注工具进行关键点标注,并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后,通过Jupyter Notebook可视化标注结果确保准确性。最后,文档展示了如何组织数据集目录结构,并提供了训练与测试代码示例,包括配置文件`smoke.yaml`及训练脚本`train.py`,帮助读者完成自定义模型的训练与评估。
|
1月前
|
人工智能
AI科学家太多,谁靠谱一试便知!普林斯顿新基准CORE-Bench:最强模型仅有21%准确率
【10月更文挑战第21天】普林斯顿大学研究人员提出了CORE-Bench,一个基于计算可重复性的AI代理基准,涵盖计算机科学、社会科学和医学领域的270个任务。该基准旨在评估AI代理在科学研究中的准确性,具有多样性、难度级别和现实相关性等特点,有助于推动AI代理的发展并提高计算可重复性。
48 4
|
2月前
|
人工智能 自然语言处理
召唤100多位学者打分,斯坦福新研究:AI科学家创新确实强
【10月更文挑战第6天】斯坦福大学最新研究评估了大型语言模型(LLMs)在生成新颖研究想法方面的能力,通过100多位NLP专家盲评LLMs与人类研究人员提出的想法。结果显示,LLMs在新颖性方面超越人类(p < 0.05),但在可行性上略逊一筹。研究揭示了LLMs作为科研工具的潜力与挑战,并提出了进一步验证其实际效果的设计。论文详见:https://arxiv.org/abs/2409.04109。
40 6
|
2月前
|
机器学习/深度学习 人工智能 JSON
微信小程序原生AI运动(动作)检测识别解决方案
近年来,疫情限制了人们的出行,却推动了“AI运动”概念的兴起。AI运动已在运动锻炼、体育教学、线上主题活动等多个场景中广泛应用,受到互联网用户的欢迎。通过AI技术,用户可以在家中进行有效锻炼,学校也能远程监督学生的体育活动,同时,云上健身活动形式多样,适合单位组织。该方案成本低、易于集成和扩展,已成功应用于微信小程序。
|
2月前
|
机器学习/深度学习 人工智能 算法框架/工具
基于人体姿势估计的舞蹈检测(AI Dance based on Human Pose Estimation)
基于人体姿势估计的舞蹈检测(AI Dance based on Human Pose Estimation)
59 0
|
2月前
|
机器学习/深度学习 存储 人工智能
2024年诺贝尔奖:AI科学家的辉煌时刻 | AI大咖说
在今年的诺贝尔物理学奖和化学奖颁奖典礼上,AI科学家分别摘得了这两项殊荣,这无疑为AI技术的发展和应用注入了新的动力【10月更文挑战第5天】
72 0
|
3月前
|
人工智能 数据处理
Nature:AI让抄袭问题更加复杂,科学家该如何应对?
【9月更文挑战第16天】《自然》杂志一篇文章指出,AI在科研领域的应用日益增长,带来了加速数据处理、提升计算效率等益处,同时也引发了对科学标准、数据偏见及研究诚信的挑战。一项针对1600多名研究人员的调查显示,超半数认为未来十年AI将成为其研究领域不可或缺的工具。AI能够显著提升科研效率,但也可能增加对模式识别的依赖,加剧数据偏见,并引发研究不可重复性等问题。尤其是大型语言模型如ChatGPT,虽有助于改进论文语法和翻译,但也可能传播错误信息。此外,部分科学家面临计算资源和高质量数据不足等使用障碍。
42 3
|
3月前
|
人工智能 计算机视觉
AI计算机视觉笔记十五:编写检测的yolov5测试代码
该文为原创文章,如需转载,请注明出处。本文作者在成功运行 `detect.py` 后,因代码难以理解而编写了一个简易测试程序,用于加载YOLOv5模型并检测图像中的对象,特别是“人”类目标。代码实现了从摄像头或图片读取帧、进行颜色转换,并利用YOLOv5进行推理,最后将检测框和置信度绘制在输出图像上,并保存为 `result.jpg`。如果缺少某些模块,可使用 `pip install` 安装。如涉及版权问题或需获取完整代码,请联系作者。
|
4月前
|
机器学习/深度学习 人工智能 编解码
|
4月前
|
机器学习/深度学习 人工智能 数据处理
AI计算机视觉笔记一:YOLOV5疲劳驾驶行为检测
如何使用云服务器AutoDL进行深度学习模型的训练,特别是针对YOLOV5疲劳驾驶行为训练检测