深度学习模型的比较评估,用于诊断虫感染

科学领域:

• 计算生物学是一种计算生物学.
• 寄生虫学的寄生虫学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 虫感染,如虫病和虫病是全球性的健康问题.
• 诊断虫蛋的传统显微镜存在主观性和低吞吐量问题.
• 准确和有效的诊断对于管理寄生虫感染至关重要.

研究的目的:

• 评估深度学习模型对分类Ascaris lumbricoides和Taenia saginata蛋的有效性.
• 提出一种先进的计算方法,以改善虫卵的诊断.
• 在这个任务中比较不同深度学习架构的性能.

主要方法:

• 使用了三种深度学习模型:ConvNeXt Tiny,EfficientNet V2 S,以及MobileNet V3 S. 这三种深度学习模型.
• 经过训练和验证的模型在各种各样的数据集上对虫蛋的微观图像进行训练和验证.
• 进行多类分类实验以评估诊断准确性.

主要成果:

• 所有评估的深度学习模型都实现了高分类准确性.
• 据ConvNeXt Tiny报道,F1得分为98.6%,MobileNet V3 S为98.2%,而EfficientNet V2 S的得分为97.5%. 这两者均为F1.
• 这些发现凸显了人工智能在增强虫卵识别方面的潜力.

结论:

• 深度学习模型为准确的虫卵分类提供了可行和有效的解决方案.
• 这项技术有望简化临床寄生虫学中的诊断工作流程.
• 这项研究为快速,客观和可靠的寄生虫感染诊断铺平了道路.