基于嵌入式深度学习的样本对答案设备用于现场疟疾诊断

科学领域:

• 医学诊断 医学诊断 医学诊断
• 寄生虫学的寄生虫学
• 生物医学工程 生物医学工程

背景情况:

• 在细胞水平上准确诊断疟疾对于有效的治疗和控制至关重要.
• 数字显微镜为改善疟疾检测提供了潜力,但需要改进的算法和一致的样本准备.
• 目前的方法通常涉及复杂的设备和液体试剂,阻碍了现场应用.

研究的目的:

• 开发和评估一款新的数字显微镜装置 (miLabTM),用于一致和准确地检测疟疾寄生虫.
• 将固体水凝染色方法与深度学习相结合,用于自动化血液膜制备和分析.
• 评估miLabTM系统用于现场疟疾诊断的临床性能.

主要方法:

• 开发了一种新的miLabTM设备,使用固体水凝染色方法进行一致的血液膜制备.
• 采用可变形的染色贴片,以确保在不同血红细胞中可复制,高质量的血液膜.
• 嵌入式深度学习算法分析了miLabTM设备自动对焦图像,用于疟疾寄生虫的检测和分类.

主要成果:

• miLabTM系统显示出一致,高质量和可复制的血液膜.
• 深度学习算法在分类受感染的红细胞 (RBCs) 中获得了98.86%的准确性.
• 马拉维的临床验证显示,与手动显微镜相比,总体百分比一致率为92.21%.

结论:

• miLabTM设备为分散的疟疾诊断提供了可靠和高效的工具.
• 这种新的方法最大限度地减少了人为错误,并通过数字图像传输实现了远程专家审查.
• miLabTM系统有可能为现场疟疾检测和诊断设定一个新的范式.