基于深度学习的疟疾寄生虫检测:用于准确识别Plasmodium falciparum和Plasmodium vivax的精密物种识别的卷积神经网络模型
Diego A Ramos-Briceño1,2,3, Alessandro Flammia-D'Aleo1,2, Gerardo Fernández-López4
1School of Systems Engineering, Faculty of Engineering, Universidad Metropolitana de Caracas, Caracas, Venezuela.
Scientific reports
|January 30, 2025
概括
使用卷积神经网络 (CNN) 的新型人工智能 (AI) 模型准确地将疟疾物种与血液涂抹图像区分开来. 这种人工智能工具可以增强疟疾诊断,特别是在缺乏专家显微镜师的偏远地区.
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
- 人工智能的人工智能
背景情况:
- 准确的疟疾诊断和Plasmodium物种识别对于有效的治疗至关重要.
- 显微镜,黄金标准,需要熟练的人员,限制其可访问性.
- 现有的AI模型难以区分疟疾物种.
研究的目的:
- 开发和评估一种基于CNN的模型,用于从厚血涂抹分类Plasmodium falciparum,Plasmodium vivax和未感染的白细胞.
- 提高疟疾寄生虫物种识别的准确性和效率.
主要方法:
- 一个卷积神经网络 (CNN) 模型被设计用于对厚血涂片的图像分析.
- 该模型使用七通道输入来增强功能提取.
- 在五次代中使用交叉验证混矩阵评估性能.
主要成果:
- 性能最好的模型实现了99.51%的准确性,99.26%的精度,99.26%的回忆率和99.63%的特异性.
- 该模型在初始测试中正确预测了12954例病例中的12876例.
- 交叉验证在64,126个病例中产生了63,654个正确预测.
结论:
- 开发的CNN模型在区分疟疾物种与血液涂抹时表现出高准确度.
- 这种人工智能方法在资源有限的环境中为疟疾诊断提供了有希望的解决方案.
- 目前正在进一步开发,为偏远地区创建一个全面的检测工具.
更多相关视频
10:50Detection and Quantification of Plasmodium falciparum in Aqueous Red Blood Cells by Attenuated Total Reflection Infrared Spectroscopy and Multivariate Data Analysis
Published on: November 2, 2018
7.9K
07:04Detection of Plasmodium Sporozoites in Anopheles Mosquitoes using an Enzyme-linked Immunosorbent Assay
Published on: September 30, 2021
2.1K
