在血液样本图像中使用不同的机器学习架构对查加斯寄生虫进行分类

科学领域:

• 医学寄生虫学 医学寄生虫学
• 计算生物学 计算生物学
• 医疗保健中的机器学习

背景情况:

• 查加斯病在拉丁美洲是一个重大的公共卫生问题.
• 早期诊断和治疗对于管理查加斯病和改善患者的治疗结果至关重要.
• 目前的诊断方法可以通过先进的计算方法来改进.

研究的目的:

• 开发和评估深度学习模型,以在血液涂抹图像中对查加斯寄生虫进行分类.
• 确定最有效的深度学习架构,以准确检测查加斯寄生虫.
• 与其他机器学习技术对比拟的模型的性能.

主要方法:

• 利用深度学习分类模型,包括基于残余网络和可分离卷积的架构.
• 经过训练和测试的模型在血液涂抹样本图像上进行寄生虫识别.
• 在优化模型 (Res2_SVM) 中实现了一个支持矢量机器 (SVM) 作为最终分类器.

主要成果:

• 在查加斯寄生虫分类中,Res2_SVM模型表现出卓越的性能.
• 在测试数据集上实现了高准确度,精度,回忆和F1得分.
• 优化的模型Res2_SVM实现了[公式:查看文本]的准确性,[公式:查看文本]的精度,[公式:查看文本]的回忆,以及[公式:查看文本]的F1分数.

结论:

• 深度学习,特别是Res2_SVM模型,为查加斯病的早期和准确诊断提供了一个有希望的方法.
• Res2_SVM模型提供了一种高效和有效的工具,用于在血液样本中识别查加斯寄生虫.
• 这一进展可以有助于更好地管理和降低与查加斯病相关的死亡率.