实现有效和高效的机器学习模型,用于在显微镜图像中诊断杆菌病

科学领域:

• 寄生虫学的寄生虫学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 湿病是热带地区的一个主要健康问题,主要通过耗时和易出错的微观便检查来诊断.
• 传统的诊断需要专门的培训,并不总是准确的,阻碍有效的公共卫生干预.

研究的目的:

• 利用深度学习 (DL) 和机器学习 (ML) 技术开发一种用于检测Schistosoma mansoni蛋的自动化系统.
• 为了提高结病诊断的速度和准确性,帮助医疗保健专业人员在流行地区.

主要方法:

• 寄生虫学家创建了一个由1100张卡托-卡茨技术图像组成的数据集,并对其进行了注释.
• 使用了一个深度学习对象检测模型 (Faster R-CNN与ResNet-50),结合HOG功能和经典ML.
• 建议采用ML模型投票方案的综合方法,以尽量减少假阳性和假阴性.

主要成果:

• 更快的R-CNN模型在注释数据集上实现了0.884的平均精度,IoU=0.50.
• 与其他检测模型和商业工具相比,拟议的系统表现出卓越的性能.
• 对比分析证实了该系统的有希望的结果和在公共卫生环境中的适用性.

结论:

• 开发的人工智能系统提供了一个可行的,自动化解决方案,用于schistosomiasis诊断,潜在地提高诊断速度和准确性.
• 这种方法可以显著帮助公共卫生系统,比如巴西的SUS,在流行地区管理菌病.
• 进一步整合和验证人工智能系统可以改善患者的治疗结果和疾病控制工作.