用人工智能驱动的显微镜图像分析用于寄生虫学:整合人类专业知识
Ruijun Feng1, Sen Li2, Yang Zhang2
1College of Science, Harbin Institute of Technology (Shenzhen), Shenzhen, Guangdong 518055, China; School of Computer Science and Engineering, University of New South Wales, Sydney, Australia.
Trends in parasitology
|June 1, 2024
概括
本综述探讨了寄生虫学中的显微镜图像分析的知识集成深度学习 (DL). 整合专家知识可以提高寄生虫研究中的AI准确性和可解释性.
科学领域:
- 寄生虫学的寄生虫学
- 人工智能的人工智能
- 显微镜 图像分析
背景情况:
- 显微镜图像分析对于寄生虫学至关重要.
- 传统的深度学习 (DL) 方法缺乏解释性和足够的资源.
- 一般用途的DL模型是数据驱动的,经常充当黑子.
研究的目的:
- 审查寄生虫学知识集成DL模型的最新进展.
- 解决显微镜图像分析中传统DL的局限性.
- 突出将专家知识纳入人工智能模型的好处.
主要方法:
- 关于知识集成DL模型的综合文献综述.
- 专注于寄生虫学微镜图像分析中的应用.
- 分析专家知识如何提高AI性能.
主要成果:
- 知识集成的DL模型提供了更好的准确性和可解释性.
- 寄生虫学家的人类专家知识可以显著提高AI决策.
- 这些模型克服了传统黑子AI的局限性.
结论:
- 知识整合DL为寄生虫学提供了一个有前途的方法.
- 增强的人工智能模型可以改善寄生虫识别和分析.
- 预计这种整合将扩大寄生虫学研究中的AI应用.
更多相关视频
04:57Comparative Analysis of Automatic Fecal Analyzer versus Direct Wet Smear Microscopy for Detecting Parasitic Infections in Stool Samples
Published on: April 25, 2025
380
11:36Intravital Microscopy of the Spleen: Quantitative Analysis of Parasite Mobility and Blood Flow
Published on: January 14, 2012
18.2K
