基于深度学习的模型用于检测微观幻灯片中的Leishmania amastigotes:远程医疗的新方法
Alireza Sadeghi1, Mahdieh Sadeghi2, Mahdi Fakhar3
1Department of Mechatronics Engineering, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran.
BMC infectious diseases
|June 2, 2024
概括
这项研究介绍了LeishFuNet,这是一种用于自动化莱什曼病诊断的深度学习模型. 人工智能系统在微观图像中准确检测Leishmania寄生虫,为传统方法提供更快,更可靠的替代方案.
科学领域:
- 医学寄生虫学 医学寄生虫学
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 莱什曼病是一种致命的寄生虫疾病,具有诊断挑战.
- 目前基于显微镜的检测方法耗时且容易出现错误.
- 需要自动诊断来改善患者的治疗结果.
研究的目的:
- 开发一个深度学习模型来自动诊断莱什曼病.
- 创建一个人工智能驱动的系统,用于准确检测Leishmania寄生虫.
- 提供一个快速和用户友好的诊断工具.
主要方法:
- 开发了LeishFuNet,这是一个用于检测寄生虫的深度学习框架.
- 雇员使用VGG19,ResNet50,MobileNetV2和DenseNet 169进行转移学习,预先培训COVID-19数据.
- 在292个显微镜图像和融合预测上微调模型;利用Grad-CAM进行解释性.
主要成果:
- 实现了高诊断性能:98.95%的准确性,100%的灵敏性,98%的特异性.
- 展示了强大的精度 (97.91%) 和F1得分 (98.92%).
- 在ROC曲线下的面积达到99%.
结论:
- 深度学习为莱什曼病诊断提供了一个精确,快速和经济的替代方案.
- 莱什FuNet系统显示了替代传统诊断技术的潜力.
- 自动化AI诊断可以显著改善莱什曼病的检测和管理.
更多相关视频
12:22A Parasite Rescue and Transformation Assay for Antileishmanial Screening Against Intracellular Leishmania donovani Amastigotes in THP1 Human Acute Monocytic Leukemia Cell Line
Published on: December 30, 2012
22.4K
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.4K
