快速和非侵入性检测疟疾寄生虫使用近红外光谱和机器学习
Maggy T Sikulu-Lord1, Michael D Edstein2, Brendon Goh1
1School of the Environment, Faculty of Science, The University of Queensland, Brisbane, Queensland, Australia.
PloS one
|March 25, 2024
概括
近红外光谱 (NIRS) 可以在体外和体内检测疟疾寄生虫的高精度. 这种快速,非侵入性的技术显示出对负担得起的疟疾诊断和监测的前景.
科学领域:
- 生物医学工程 生物医学工程
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 迫切需要快速,负担得起的点的护理诊断,以控制和消除疟疾.
- 目前的工具缺乏广泛监控的敏感性,速度或负担能力.
研究的目的:
- 为了评估近红外光谱 (NIRS) 检测疟疾寄生虫.
- 使用NIRS数据开发用于疟疾诊断的机器学习模型.
主要方法:
- 近红外光谱学 (NIRS) 用于分析体外和体内血液样本.
- 机器学习算法应用于NIRS光谱,以预测疟疾感染.
- 进行了小鼠身体部位 (脚部,沟,耳朵) 的非侵入性扫描.
主要成果:
- 在实验室中,NIRS检测到Plasmodium falciparum的低密度,敏感度为96%和特异性为93%.
- 寄生虫阶段 (环状,状,状) 的差异化准确率为98%.
- 对小鼠进行的非侵入性NIRS检测显示,对检测P. berghei. 的敏感度为94%,特异性为86%.
结论:
- 尼尔斯是一个有前途的快速,非侵入性和负担得起的疟疾监测工具.
- 建议进行进一步的实地研究,以评估NIRS对症状和无症状疟疾的检测.
- 尼尔斯有可能指导消除疟疾的战略.
更多相关视频
10:50Detection and Quantification of Plasmodium falciparum in Aqueous Red Blood Cells by Attenuated Total Reflection Infrared Spectroscopy and Multivariate Data Analysis
Published on: November 2, 2018
8.0K
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.4K
