基于深度学习的方法在便检查中的性能验证

科学领域:

• 计算生物学和生物信息学
• 医学诊断和寄生虫学

背景情况:

• 人类肠道寄生虫感染 (IPI) 影响全球数十亿人,导致大量死亡.
• 传统的诊断方法,如卡托-卡茨和FECT是标准的,但有局限性.
• 这项研究调查了深度学习,以改善肠道寄生虫的识别.

研究的目的:

• 评估用于识别肠道寄生虫的深度学习模型的性能.
• 将深度学习方法的诊断准确性与人类专家进行比较.

主要方法:

• 人类专家利用FECT和MIF技术来获得基本的真相.
• 来自修改直接涂抹的图像被用于训练 (80%) 和测试 (20%) 深度学习模型 (YOLOv4-tiny,YOLOv7-tiny,YOLOv8-m,ResNet-50,DINOv2).
• 使用混矩阵,ROC,PR曲线,科恩的卡帕和布兰德-阿尔特曼分析来评估性能.

主要成果:

• 深度学习模型,特别是DINOv2-large和YOLOv8-m,显示出高精度 (高达98.93%) 和特异性 (高达99.57%).
• 模型在识别虫卵和幼虫方面表现出强的表现,这是由于不同的形态.
• 所有模型都与医疗技术专家达成了很高的一致性 (卡帕>0.90);布兰德-阿尔特曼分析表明良好一致性和最小偏差.

结论:

• 深度学习方法显示了自动化寄生虫识别的巨大潜力,提高了IPI的诊断准确性.
• 整合深度学习可以导致对寄生虫感染的早期检测和更有效的干预.
• 这项技术在改善IPI诊断程序方面取得了重大进展.