由 dawei 在这些新感染的病例中，有4％的病例至少对两种药物具有耐药性，这种疾病称为多重耐药结核菌（MDR-TB）。另外，十分之一的人表现出对多种药物的广泛耐药，即所谓的广泛耐药结核病（XDR-TB）。如果患者确定感染就需要给予一线药物，如果患者表现出耐药性症状或检测表明该菌株不受一线治疗影响，则增加二线治疗。
雷锋网了解到，哈佛医学院Blavatnik研究所的研究人员设计了一种算法，能够检测出治疗前对常用结核病药物的耐药性。在实验中，他们成功地在0.1秒之内准确预测了结核菌株对10种一线和二线药物的耐药性，而且比类似模型的预测精度更高。
该方法发表在《EBioMedicine》杂志上，并将被添加到哈佛医学院(Harvard Medical School)的genTB工具中，genTB工具分析结核病数据并预测结核病耐药性。
哈佛医学院的高级研究作者兼生物医学信息学助理教授Maha Farhat在一份声明中说：“耐药形式的结核病很难被发现、难以治疗，并且预示着患者的预后效果不好。因此，在诊断时快速检测出完整的耐药性的能力，对于改善个体患者的预后、减少对他人的传播至关重要。”
Farhat进一步解释到，药物敏感性检测设备在发展中国家很难获得，即使在装备精良的实验室中，也需要数周才能验证结果。而扫描DNA样本寻找耐药基因的新检测方法也有其局限性，主要是无法发现多种药物的耐药或检测出罕见的导致耐药的基因变异。
至于全基因组测序测试，它们在检测二线药物耐药性方面往往表现不佳。
相比之下，研究人员的方法利用机器学习算法来捕捉多种突变的影响。它包含两个模型：一个统计模型和一个“wide-and-deep”系统，后一个系统将每个突变作为一个变量，该变量要么产生耐药性，要么没有。
“我们的目标是开发一个神经网络模型，这种模型与大脑中神经元之间的连接形成方式大致相似，”该研究的第一作者Michael Chen说。“神经网络将两种形式的机器学习相互交叉，以识别基因变异对菌株耐药性的综合影响。”
这两个人工智能系统对3601株耐一线和二线药物的结核菌株进行了培训，其中包括1228株耐多药菌株。为了在现实环境中测试它们的性能，这些模型要预测792个它们从未“见过”的完全测序的结核病基因组的耐药性。