机器学习在动物疟疾模型中的应用,用于快速,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
• 生物医学研究生物医学研究

背景情况:

• 动物疟疾模型对于临床前抗疟疾药物和疫苗开发至关重要.
• 手动计数感染红细胞 (iRBC) 是耗时且容易出现不一致的.
• 现有的方法缺乏标准化,这阻碍了对治疗结果的可靠评估.

研究的目的:

• 开发和验证基于机器学习的软件Malaria Screener R,用于在动物模型中自动计数感染菌的红细胞 (iRBC).
• 在临床前疟疾研究中加快和标准化寄生虫病评估.
• 为评估新型抗疟疾药物和疫苗提供可靠和可访问的工具.

主要方法:

• 开发一种机器学习模型,利用先前从人类疟疾研究中获得的预训重量.
• 在小鼠模型中重新训练模型,使用针对Plasmodium yoelii和Plasmodium berghei的新数据.
• 使用Giemsa染色的血液涂抹图像通过标准显微镜捕获.
• 在Windows和MacOS的用户友好的桌面应用程序中实现该模型.

主要成果:

• 开发的ML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).
• 该软件在不同的染色持续时间和显微镜类型中展示了通用性.
• 该模型符合世卫组织对寄生虫计数的能力1级,表明其可靠性很高.
• 与手动计数相比,自动化分析显著减少了时间,并提高了一致性.

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.
• 该软件有助于对抗疟疾药物和疫苗进行快速和一致的评估.
• 标准化的自动化分析提高了临床前疟疾研究的效率和可重复性.