人类验证的神经网络用于精确的阿马斯蒂哥特分类和量化,以加快在莱什曼病中发现药物的速度
Andrey Gaspar Sorrilha-Rodrigues1, João Lucas Aparecido Rocha Paes2, Yasmin Silva Rizk3
1Laboratory of Natural Products and Mass Spectrometry (LAPNEM), Faculty of Pharmaceutical Sciences, Food, and Nutrition (FACFAN), Federal University of Mato Grosso do Sul, Campo Grande, Mato Grosso do Sul 79070-900, Brazil.
ACS omega
|January 20, 2025
概括
这项研究介绍了YOLOv8,一个深度学习模型,用于在药物查中自动检测Leishmania寄生虫. 人工智能工具提高了识别受感染细胞和细胞内巨的准确性和效率.
科学领域:
- 寄生虫学的寄生虫学
- 人工智能的人工智能
- 药物发现 药物发现 药物发现
背景情况:
- 莱什曼病是一个全球性的健康负担,治疗选择有限.
- 目前的微观检测Leishmania amastigotes是劳动密集型的,容易出现错误.
- 自动化方法对于提高药物查效率至关重要.
研究的目的:
- 实施和验证YOLOv8深度学习模型,用于实时检测,量化和分类Leishmania amastigotes.
- 评估该模型在增强药物查试验中的有用性.
- 将模型的性能与人类操作员进行比较.
主要方法:
- YOLOv8深度学习模型在470个微观图像上进行了训练.
- 图像的分类为"感染细胞"",细胞内巨细胞"",未感染细胞"和"边缘细胞".
- 使用皮尔森和斯皮尔曼相关性分析对人类操作员进行性能评估.
主要成果:
- YOLOv8在检测受感染细胞 (AUC = 0.934) 和细胞内巨细胞 (AUC = 0.846) 中表现出很高的性能.
- 观察到在区分细胞外巨与背景噪声方面存在挑战 (AUC = 0.672).
- 该模型显著降低了药物查过程中的人类变异性.
结论:
- 在药物发现中,YOLOv8模型为量化和分类Leishmania amastigotes提供了一个可靠和高效的工具.
- 人工智能方法显示了提高临床前测试准确度和吞吐量的潜力.
- 需要进一步改进模型以解决错误分类问题,特别是细胞外寄生虫.
