从显微镜图像中构建STH和类病分类的预测模型.
Etefa Belachew1, Kris Calpotura1, Abrham Adamu2
1Faculty of Electrical and Computer Engineering, Jimma University-Institute of Technology, Jimma, Ethiopia.
BioMed research international
|December 1, 2025
概括
一个新的混合机器学习和深度学习系统从显微镜图像中准确诊断寄生虫感染,为资源有限的地区提供更快,更精确的替代方案. 这种人工智能驱动的方法改进了土壤传播的虫和杆菌病检测的传统方法.
科学领域:
- 寄生虫学的寄生虫学
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 在热带地区,特别是非洲,土壤传播的虫 (STHs) 和虫病造成了严重的健康和经济负担.
- 诊断这些寄生病的传统显微镜是缓慢的,劳动密集的,在像埃塞俄比亚这样的资源有限的环境中具有挑战性.
- 准确和快速的诊断对于有效的疾病控制和治疗策略至关重要.
研究的目的:
- 开发和评估一个结合机器学习 (ML) 和深度学习 (DL) 的创新系统,以快速准确地分析寄生虫蛋图像.
- 将混合CNN-ML模型的诊断性能与独立的深度学习模型和视觉变压器 (ViT) 进行比较.
- 评估该系统对分类五种类型的实用性:虫,虫,虫,三虫和负样本.
主要方法:
- 利用来自埃塞俄比亚的1490个寄生虫卵图像的数据集,进行了预处理,包括调整大小,正常化和增强.
- 卷积神经网络 (CNN) 架构 (VGG16,ResNet50,DenseNet121,MobileNetV2,EfficientNetB0) 和视觉转换器 (ViT) 被使用为特征提取器.
- 机器学习分类器 (SVM,XGBoost,KNN,RF,DT) 用于混合模型中的最终预测.
主要成果:
- 混合CNN-ML模型显著优于独立的深度学习模型.
- VGG16-SVM和VGG16-XGBoost实现了最高的测试准确率,分别为99.31%和99.35%.
- 独立的CNN的准确性较低 (例如,VGG16: 79.98%,DenseNet121: 84.12%),这突显了混合方法的优势.
结论:
- 与传统方法相比,开发的混合CNN-ML系统为寄生虫感染提供了增强的诊断速度和准确性.
- 这种人工智能驱动的诊断工具有可能通过实时分析,在资源有限的环境中显著改善疾病管理.
- 需要进一步的研究来解决诸如数据集大小,多样性和潜在的图像退化等局限性,以提高可概括性.
