通过使用混合深度学习模型,对 Trypanosome 寄生虫进行卓越的自我识别
Veerayuth Kittichai1, Morakot Kaewthamasorn2, Suchansa Thanee2
1Faculty of Medicine, King Mongkut's Institute of Technology Ladkrabang; Veerayuth.ki@kmitl.ac.th.
Journal of visualized experiments : JoVE
|November 13, 2023
概括
一个人工智能 (AI) 程序从显微镜图像中准确地识别和分类三体物种. 这种自动化工具增强了疾病监测和控制策略的试.
科学领域:
- 寄生虫学的寄生虫学
- 医学昆虫学 医学昆虫学
- 医疗保健中的人工智能
背景情况:
- 松病构成了全球重大公共卫生挑战,特别是在南亚和东南亚.
- 有效的疾病控制依赖于通过积极监测识别传播热点.
- 目前的诊断方法,如显微镜,需要熟练的人员,限制广泛应用.
研究的目的:
- 开发和评估一个人工智能 (AI) 程序,用于自动识别和分类三体物种.
- 用全面的统计指标和诊断曲线来评估AI程序的性能.
- 提供一个快速,准确的查工具,以帮助松病的监测和控制.
主要方法:
- 在CiRA CORE AI平台上实施了一种混合深度学习方法,该方法结合了对象识别和分类神经网络.
- 人工智能程序分析了浸油显微镜图像,以检测和区分Trypanosoma cruzi,T. brucei和T. evansi.
- 注意地图突出显示了关键的寄生虫特征 (核,动态细胞) 以用于人工智能分析.
主要成果:
- 人工智能计划在从显微镜图像中识别和分类试管体寄生虫方面表现出有效性.
- 使用模块严格评估性能,生成准确度,精度,回忆,F1得分,ROC和PR曲线等指标.
- 人工智能算法在寄生虫检测和分类方面显示出高精度.
结论:
- 开发的AI程序为自动和准确的试体物种识别提供了一个有前途的解决方案.
- 这项技术可以显著提高疾病监测,使得对控制策略的决策更快,更知情.
- 人工智能工具有可能彻底改变对抗三虫病的公共卫生工作.
