在常规实验室中提升模具识别,基于智能手机的成像性能和新开发的卷积神经网络

科学领域:

• 医学真菌学 医学真菌学
• 人工智能在诊断中的应用
• 计算生物学 计算生物学

背景情况:

• 在临床诊断中,传统的模具识别是耗时的,需要专门的专业知识.
• 自动化模具识别可以提高诊断速度和准确性,这对于患者的治疗结果至关重要.
• 现有的方法往往缺乏可扩展性和可访问性,特别是在资源有限的环境中.

研究的目的:

• 开发和评估MoldVision,这是一个使用智能手机图像进行自动模具识别的深度学习系统.
• 将MoldVision的性能与人类专家评估进行比较.
• 评估基于智能手机的AI的可扩展性和实用性,用于常规的真菌学诊断.

主要方法:

• 训练有素的视觉几何组16 (VGG16) 卷积神经网络 (CNN) 在超过4000个智能手机图像上对四个基因的161个临床模具分离物进行了训练.
• 在5天内从培养板上捕获每日图像,使用标准化的智能手机设置.
• 将表现最好的VGG16模型与LightGBM模型和人类专家评估进行了比较.

主要成果:

• 最好的VGG16模型在所有物种中实现了92.7%±1.8%的平均AUROC和68.7%±2.6%的灵敏度.
• 从早期 (1至2天,F1得分38.8%) 到培养生长的后期 (3至5天,F1得分92.1%) 的表现显著改善.
• 与人类专家相比,MoldVision表现优越,特别是成熟的培养,并实现了对*Cladosporium* spp.的近乎完美的识别. (AUROC为99.9%).这是一个很好的方法.

结论:

• 与智能手机成像集成的深度学习模型为临床诊断中模具物种分类提供了可靠和准确的方法.
• 模具视觉提供了一个实用,可扩展和具有成本效益的解决方案,可以增加诊断能力,特别是在资源有限的环境中.
• 这种人工智能驱动的方法有可能加速模具识别,减少对专家解释的依赖,并改善患者护理.