一种优化的转移学习方法,集成深度卷积特征提取器,用于红细胞显微镜中的疟疾寄生虫分类
C Kishor Kumar Reddy1, P R Anisha1, Ahlam Almushharaf2
1Department of Computer Science and Engineering, Stanley College of Engineering and Technology for Women, Hyderabad, India.
Frontiers in medicine
|November 24, 2025
概括
结合多个转移学习架构的集合学习模型显著提高了自动疟疾诊断的准确性. 这种方法为检测疟疾寄生虫提供了可靠,可扩展的解决方案,特别是在资源有限的地区.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
- 寄生虫学的寄生虫学
背景情况:
- 疟疾是一种由虫寄生虫引起的疾病,由Anopheles蚊子传播,构成了全球重大健康挑战.
- 目前的诊断方法,主要是手动显微镜,是劳动密集型,需要熟练的人员,在高流行地区造成瓶.
研究的目的:
- 开发和评估使用集体学习的自动疟疾诊断系统.
- 与独立模型和手动显微镜相比,提高诊断准确度和可靠性.
主要方法:
- 通过整合多个转移学习架构开发了一个集体学习模型:VGG16,ResNet50V2,DenseNet201和VGG19.
- 使用数据增强和预处理技术来提高模型的稳定性.
- 合奏模型进行了微调,以获得最佳的超参数性能.
主要成果:
- 整体模型实现了高测试准确率97.93%,F1得分和精度为0.9793.
- 这一性能超过了独立型号,包括Custom CNN (97.20%准确率) 和VGG16 (97.65%准确率).
- 该模型在对寄生虫和未感染的血涂抹进行分类时表现出了高可靠性.
结论:
- 集体学习整合转移学习模型提供了一种强大的方法来提高疟疾诊断的准确性.
- 这种自动化解决方案具有可扩展性,适用于资源有限的设置,减少对手工显微镜的依赖.
- 提出的方法代表了疟疾检测技术的重大进步.
