群集运动是细菌通过鞭毛和表面活性剂实现的主要运动形式，在疾病传播与组织修复中具有双重作用。例如尿路感染中，群集细菌可通过组织表面迁移加剧感染扩散，而在炎症性肠病中某些群集微生物却能促进肠道黏膜修复。这种差异性特征凸显了群集细菌检测作为生物标志物在疾病诊断中的重要价值。
尽管群游和游动均依赖鞭毛运动，但二者存在本质区别：游动细菌在液体环境中独立移动，而群集运动则是在半固态表面通过表面活性剂协同的群体迁移，显微镜下群集细菌在软聚合物微孔中呈现单一方向的大尺度涡旋，游动细菌则形成多个无序的小型涡旋。
传统方法需通过视频记录与专家目视检测区分这两种运动模式，存在效率与准确度的局限性。由加州大学洛杉矶分校Aydogan Ozcan教授与爱因斯坦医学院Sridhar Mani教授领导的团队，近日在《肠道微生物》杂志发表研究，提出基于深度学习的自动化检测方法。
该技术通过长曝光时间编码运动信息的空间模糊图案，突破了传统高帧率视频拍摄限制，仅需单张模糊图像即可实现分析。训练AI模型识别细菌运动模式时，其对训练菌株的检测准确率达97.44%灵敏度与100%特异性，且无需重新训练即可跨菌种推广，保持96%以上的检测准确率。
该技术革新了微生物诊断流程，不仅消除人工视频分析耗时，更提供客观量化指标。未来研究将验证其在混合菌群等复杂环境中的表现，潜在应用场景包括现场快速检测设备开发，特别是智能手机集成化检测平台的构建。
【全文结束】
