机器学习模型的开发用于分类Enterobius vermicularis蛋
Natthanai Chaibutr1,2,3, Pongphan Pongpanitanont4, Sakhone Laymanivong5
1Medical Innovation and Technology Program, School of Allied Health Sciences, Walailak University, Nakhon Si Thammarat 80160, Thailand.
Journal of imaging
|September 27, 2024
概括
使用卷积神经网络 (CNN) 自动检测虫 (Enterobius vermicularis) 蛋,显著提高了诊断准确度. 数据增强提高了CNN的性能,为传统方法提供了更有效的替代方案.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算生物学是一种计算生物学.
- 寄生虫学的寄生虫学
背景情况:
- 在全球范围内,Enterobius vermicularis感染很常见,特别是在儿童中.
- 目前的诊断依赖于耗时的苏格兰带技术,需要专家显微镜检查.
- 使用人工智能的自动检测提供了提高效率和准确性的潜力.
研究的目的:
- 使用卷积神经网络 (CNN) 增强Enterobius vermicularis蛋的自动检测.
- 为了对拟议的CNN模型进行基准测试,将其与虫卵检测的领先模型进行比较.
- 评估数据增强对诊断性能的影响.
主要方法:
- 数字化和增强了4万张E. vermicularis蛋和文物的微观图像.
- 培训和验证使用80:20分割和五倍交叉验证.
- 开发和对CNN模型进行基准测试,包括Xception架构.
主要成果:
- 拟议的CNN模型在数据增强后实现了90.0%的准确性,精度,回忆和F1得分.
- 数据增强改善了模型稳定性,ROC-AUC从0.77增加到0.97.
- Xception模型表现出卓越的性能,准确度,精度,回忆率和F1得分为99.0%.
结论:
- 数据增强和先进的CNN架构显著提高了E. vermicularis诊断的准确性和效率.
- 由人工智能驱动的工具可以为传统的针虫检测方法提供可靠和更快的替代方案.
- 开发的CNN模型表现出与较大的模型相比的性能,尽管文件大小较小.
