使用深层卷积神经网络在缩的湿中检测原生动物和虫寄生虫

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
• 人工智能在医学中的应用

背景情况:

• 胃肠道寄生虫的诊断严重依赖于传统的便显微镜.
• 湿检查对显微镜,数字成像和人工智能提出了挑战.
• 目前的诊断方法是劳动密集型的,在过去的100年里几乎没有创新.

研究的目的:

• 开发和验证深层卷积神经网络 (CNN) 模型,用于在湿装制剂中敏感检测和分类肠道寄生虫.
• 评估人工智能模型与传统显微镜和人类技术人员的性能.
• 评估人工智能的潜力,以提高诊断产量和简化寄生虫学工作流程.

主要方法:

• 一个CNN模型被训练在4049个来自全球不同地区的独特的寄生虫阳性标本上.
• 临床验证包括在一组坚定的标本上测试AI模型.
• 检测研究的相对极限将人工智能性能与使用串行稀释的经验丰富的人类技术人员进行了比较.

主要成果:

• 人工智能模型在临床验证中取得了很高的一致性:94.3%的阳性和94.0%的阴性样本在不一致的分辨率之前.
• 人工智能发现了169种额外的寄生虫,这些寄生虫最初没有通过传统方法检测到.
• 无论经验如何,人工智能在较低的稀释下始终比人类技术人员检测到更多的生物体.

结论:

• 开发的AI模型在湿式便检查中显示出高灵敏度和准确性来检测胃肠道寄生虫.
• 人工智能简化了寄生虫学工作流程,减少了对传统显微镜的依赖,并提高了诊断产量.
• 这种人工智能应用程序代表了寄生虫查的重大技术进步,将寄生虫学带入了现代诊断时代.