Identificación inteligente de protozoos intracelulares médicos y veterinarios mediante el uso de aprendizaje...

Área de la Ciencia:

• Medicina veterinaria La medicina veterinaria es el campo de la medicina en el que se desarrolla la medicina veterinaria.
• Diagnóstico médico y diagnóstico médico.
• Parasitología Parasitología.

Sus antecedentes:

• Las enfermedades zoonóticas presentan desafíos significativos para la salud mundial.
• El diagnóstico preciso de las infecciones de protozoos es fundamental para un control efectivo.
• Los métodos de diagnóstico actuales como la microscopía y las técnicas moleculares tienen limitaciones, incluyendo la necesidad de personal calificado y la variabilidad potencial.

Objetivo del estudio:

• Desarrollar y evaluar un enfoque de aprendizaje auto-supervisado (SSL) para la extracción automatizada de características de protozoos de muestras de sangre manchadas con Giemsa.
• Para utilizar el algoritmo de Destilación sin Etiquetas versión 2 (DiNOv2) para este propósito.

Principales métodos:

• Desarrolló modelos SSL, incluido DiNOv2, utilizando muestras de microorganismos archivados.
• Evaluación del rendimiento del modelo en comparación con un transformador de visión de referencia (ViT).

Principales resultados:

• DiNOv2-Small logró más del 99% de precisión y especificidad con una baja tasa de clasificación errónea (0,263) y un alto AUC (0,990).
• Los modelos SSL mantuvieron un alto rendimiento incluso cuando fueron entrenados con solo el 20% de los datos.
• Las métricas de rendimiento disminuyeron significativamente cuando el tamaño del conjunto de datos se redujo por debajo del 20%.

Conclusiones:

• El método SSL impulsado por IA muestra potencial para ayudar a los técnicos de laboratorio, particularmente en áreas con recursos limitados.
• Los hallazgos apoyan el despliegue de esta herramienta de IA para el cribado automatizado en diagnósticos médicos y veterinarios.