在动物疟疾模型中应用机器学习,以实现快速,准确和一致的寄生虫计数

科学领域:

• 寄生虫学的寄生虫学
• 机器学习 机器学习
• 生物信息学是一种生物信息学.

背景情况:

• 动物疟疾模型对于临床前抗疟疾和疫苗研究至关重要.
• 手动计数感染红细胞 (iRBC) 是耗时且容易出现不一致的.
• 现有的机器学习模型可能无法在不同的Plasmodium物种和实验条件中很好地概括.

研究的目的:

• 开发和验证基于机器学习的软件Malaria Screener R,用于在动物中自动计数感染菌的红细胞 (iRBC).
• 为了加快和标准化疟疾研究中的寄生虫病评估.
• 创建一个符合世卫组织能力一级标准的可通用模型.

主要方法:

• 开发了Malaria Screener R,这是一个使用机器学习的桌面应用程序.
• 利用了对P. falciparum进行预训练的模型,并通过P. yoelii和P. berghei. 的新数据重新训练了它.
• 用各种数据训练模型,以解释染色,显微镜和Plasmodium物种的变化.
• 通过使用Giemsa染色的血液涂抹图像验证了模型的性能.

主要成果:

• 疟疾查器R模型在测量P. yoelii和P. berghei寄生病时取得了很高的准确性 (R2 = 0.9916).
• 该软件在不同的实验条件和显微镜中展示了通用性.
• 该模型符合世卫组织对寄生虫计数的1级能力,确保可靠性和一致性.

结论:

• 疟疾查器R提供了一种可靠的,自动化解决方案,用于量化动物疟疾模型中的寄生病.
• 该软件显著减少了人工劳动,并提高了抗疟疾药物和疫苗疗效研究的一致性.
• 该工具有助于快速和标准化评估可访问的活体疟疾模型中的新型干预措施.