深度学习应用用于在真菌光图像中识别菌和子

科学领域:

• 医学真菌学 医学真菌学
• 计算生物学 计算生物学
• 人工智能在医学中的应用

背景情况:

• 准确及时诊断真菌感染对于有效治疗至关重要.
• 传统的方法来识别真菌元素,如,子和菌根可以是耗时和劳动密集型.
• 自动诊断工具有可能提高临床环境中的效率和准确性.

研究的目的:

• 开发和评估一个基于深度学习的自动化系统,用于检测临床样本中的真菌和子.
• 评估YOLOX和MobileNet V2结合用于真菌元素识别的双模型框架的性能.
• 将系统的诊断准确性与经验丰富的医生的临床评估进行比较.

主要方法:

• 使用了一种双模型深度学习框架,集成YOLOX和MobileNet V2.
• 使用YOLOX模型识别单个真菌子和.
• 使用MobileNet V2模型检测真菌菌.
• 从临床样本中分析了真菌光图像.

主要成果:

• 约洛克斯模型在叶和胞方面达到85%的精度,77%的精度,在叶和胞方面达到90%的回忆率.
• 移动网络V2模型显示了83%的精度和100%的菌体回忆.
• 组合的双模型框架显示与临床医生的评估有很高的一致性 (92.5%的精度,99.3%的回忆率,0.857卡帕).

结论:

• 拟议的双模型深度学习框架有效地识别光图像中的真菌菌根和子,达到临床医生水平的准确性.
• 这种自动化系统大大减少了真菌诊断所需的时间和劳动力.
• 这些发现表明,人工智能在提高菌类诊断的速度和可靠性方面具有有前途的应用.