数字幻灯片扫描和卷积神经网络的验证,用于在人类便样本中检测肠道寄生虫

科学领域:

• 临床微生物学 临床微生物学
• 寄生虫学的寄生虫学
• 数字病理学数字病理学
• 人工智能在诊断中的应用

背景情况:

• 数字显微镜 (DM) 与卷积神经网络 (CNN) 模型相结合,显示出在便样本中检测肠道寄生虫的前景.
• 之前的研究已经验证了DM/CNN在各种染色方法中检测原生动物和虫卵/.
• 这项研究旨在评估在常规临床微生物学环境中特定的DM/CNN工作流程的诊断性能.

研究的目的:

• 评估数字显微镜和卷积神经网络工作流程的诊断准确性和可靠性,用于常规检测肠道寄生虫.
• 为了在临床实验室环境中比较DM/CNN系统与传统光显微镜的性能.
• 评估这项技术在协助实验室技术人员和简化寄生虫学工作流程方面的潜力.

主要方法:

• 一项临床验证研究使用了Grundium Ocus 40扫描仪和Techcyte人类便湿山 (HFW) 算法.
• 该系统在135个参考样本和208个常规临床样本上进行了测试.
• 评估了分析灵敏度,精度,检测极限 (LOD) 和与光显微镜 (LM) 的一致性.

主要成果:

• DM/CNN 工作流显示了与 LM 的高幻灯片级一致性:参考样本的阳性率为 97.6%,阴性率为 96.0%.
• 针对常规样本的前性测试显示,DM/CNN和LM之间的总体一致性为98.1% (科恩卡帕=0.915).
• 该系统表现出高的可重现性和稳定性,尽管分析灵敏度在较高的稀释下略有下降;对*Blastocystis* spp.发现了小差异. 具有更高的DM/CNN敏感性.

结论:

• Grundium Ocus 40扫描仪和Techcyte HFW算法组合提供了一个可靠的,低通量查解决方案,用于检测肠道寄生虫.
• DM/CNN 工作流有效地协助诊断技术人员,通过预分类潜在的寄生体结构,减少手动审查时间和简化工作流.
• 成功实施需要对特定地点进行验证,优化信心门,并考虑样本处理和成像变化.