基于手机的塑杆菌寄生虫阶段检测从Giemsa染色血液涂抹通过卷积神经网络

科学领域:

• 传染病诊断中的计算生物学和机器学习.
• 寄生虫学和医疗昆虫学专注于生态菌.

背景情况:

• 活性疟原虫疟疾是一个全球性的健康问题,由于其独特的生物特征,如催眠动物,因此难以控制.
• 目前的疟疾诊断方法面临局限性,特别是在资源有限的地区.
• 准确和自动检测疟疾寄生虫对于有效的疾病管理至关重要.

研究的目的:

• 利用机器学习开发一种计算机辅助的方法来表征和分类疟疾寄生虫.
• 从显微镜图像创建一个自动化管道来检测和分期Plasmodium vivax感染.
• 通过人工智能解决目前疟疾检测技术的不足.

主要方法:

• 一个基于卷积神经网络 (CNN) 的管道被开发用于分析Giemsa染色的外周血液涂抹图像.
• 数据集被注释成四个类别:环形,形,形和未感染的红血细胞 (RBC).
• 数据集被分为培训 (70%),验证 (15%) 和测试 (15%) 的模型开发和评估子集.

主要成果:

• 美国有线电视新闻网的管道实现了疟疾寄生虫检测和分期的整体分类准确率为92.4%.
• 精度,回忆和F1得分在所有类别都超过了0.90,显示出强大的性能.
• 斯基松阶段的精度最高 (94.7%),而环形阶段的性能略低 (91.2%).

结论:

• 开发的基于CNN的管道为自动疟疾诊断提供了可扩展和适应的方法.
• 这种计算机辅助方法有可能在现实世界诊断工作流中部署,特别是在资源有限的环境中.
• 该研究强调了机器学习在提高疟疾寄生虫识别的准确性和效率方面的有效性.