Marco de trabajo mejorado basado en YOLO y evaluación comparativa para la detección automatizada de Plasmodium vivax

Área de la Ciencia:

• Diagnóstico Médico
• Parasitología
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• La malaria sigue siendo una amenaza significativa para la salud mundial, particularmente en África subsahariana y el sudeste asiático, a pesar de los avances en la esperanza de vida.
• Los diagnósticos tradicionales de malaria (microscopía, RDT) tienen limitaciones como una sensibilidad reducida y dependencia del operador, lo que requiere soluciones automatizadas avanzadas.
• La inteligencia artificial (IA) y el aprendizaje profundo (DL) ofrecen potencial para la identificación automatizada de parásitos, abordando los desafíos diagnósticos actuales.

Objetivo del estudio:

• Evaluar comparativamente el rendimiento de varias variantes de aprendizaje profundo YOLO (You Only Look Once) para la detección de malaria.
• Identificar la arquitectura de IA más adecuada para la identificación precisa y eficiente de parásitos de la malaria, específicamente Plasmodium vivax.
• Proponer un nuevo marco DL para mejorar el diagnóstico de la malaria en diversos entornos clínicos.

Principales métodos:

• Análisis comparativo de los modelos de detección de objetos YOLOv3, cascade v3, scaled v4, v5 y v8.
• Evaluación utilizando métricas clave de rendimiento: precisión, exactitud, F1-score, recall y precisión media promedio (mAP).
• Desarrollo de un nuevo marco DL que integra YOLOv3 con una arquitectura MobileNetV2 y una Capa de Convolución Transformada (TCL).

Principales resultados:

• El nuevo marco DL que combina YOLOv3, MobileNetV2 y TCL demostró una alta eficacia, particularmente para detectar Plasmodium vivax en imágenes densas de frotis.
• La arquitectura de IA elegida exhibió sensibilidad a texturas multiescala y extracción eficiente de características, crucial para analizar muestras parasitarias complejas.
• Las métricas de rendimiento indicaron la superioridad del marco propuesto sobre las variantes estándar de YOLO para la detección de parásitos de la malaria.

Conclusiones:

• El marco de diagnóstico impulsado por IA desarrollado ofrece una solución robusta y escalable para la detección temprana de la malaria.
• Este enfoque proporciona una guía valiosa para implementar herramientas basadas en IA en diversos entornos clínicos y de campo para mejorar el manejo de la malaria.
• El estudio destaca el potencial del aprendizaje profundo, específicamente el modelo propuesto basado en YOLOv3, para mejorar la precisión y eficiencia del diagnóstico de la malaria.