Predicting bacterial antibiotic resistance using MALDI-TOF mass spectrometry databases with ELM applications

Abstract

Early detection of antibiotic resistance is a crucial task, especially for vulnerable patients under prolonged treatments with a single antibiotic. To solve this, machine learning approaches have been reported in the state of the art. Researchers have used MALDI-TOF MS in order to predict antibiotic resistance and/or susceptibility in bacterial samples. Weis, et al. implemented LR, LightGBM and ANN to study the antibiotic resistance on bacterial strains of Escherichia Colt, Staphylococcus Aureus, and Klebsiella Pneumoniae. Despite promising results, the models have not achieved perfect accuracy, specifically when the classes are unbalanced. On the other hand, Extreme Learning Machine (ELM) is a training algorithm for forward propagation of single hidden layer neural networks, which converges much faster than traditional methods and offers promising performance along with less programmer intervention. In this way, this study introduced improved ELMs, including two weighted ELMs proposed by Zong, and the SMOTE technique in order to create new synthetic samples of the minority class. After heuristic optimization of ELM hiperparameters, results demonstrated 85% in accuracy and 85% in geometric mean for the classification problem in the case of weighted ELM 1 subject to the SMOTE technique of oversampling.

La detección temprana de la resistencia a los antibióticos es una tarea crucial, especialmente en el caso de pacientes vulnerables sometidos a tratamientos prolongados con un único antibiótico. Para resolver este problema, se han utilizado métodos de aprendizaje automático. Los investigadores han utilizado MALDITOF MS para predecir la resistencia y/o susceptibilidad a los antibióticos en muestras bacterianas. Weis, et al. aplicaron LR, LightGBM y ANN para estudiar la resistencia a los antibióticos en cepas bacterianas de Escherichia Goli, Staphylococcus Aureus y Klebsiella Pneumoniae. A pesar de los prometedores resultados, los modelos no han logrado una precisión perfecta, concretamente cuando las clases están desequilibradas. Por otro lado, Extreme Learning Machine (ELM) es un algoritmo de entrenamiento para la propagación hacia delante de redes neuronales de una sola capa oculta, que converge mucho más rápido que los métodos tradicionales y ofrece un rendimiento prometedor junto con una menor intervención del programador. De este modo, este estudio introdujo ELMs mejorados, incluyendo dos ELMs ponderados propuestos por Zong, y la técnica SMOTE para crear nuevas muestras sintéticas de la clase minoritaria. Tras la optimización heurística de los hiperparámetros del ELM, los resultados demostraron un 85% de precisión y un 85% de media geométrica para el problema de clasificación en el caso del ELM ponderado 1 sujeto a la técnica SMOTE de sobremuestreo.