通过基于人工智能的微观形态图像识别来识别截面和物种层面上的Aspergillus

科学领域:

• 医学真菌学 医学真菌学
• 计算生物学 计算生物学
• 医疗保健中的机器学习

背景情况:

• 准确识别Aspergillus物种对于诊断aspergillosis和指导抗真菌治疗至关重要.
• 传统的识别方法与形态上相似的,基因学上相关的阿斯伯吉勒斯物种作斗争.
• 在临床微生物学中需要快速,准确和具有成本效益的诊断工具.

研究的目的:

• 开发和评估FungalNet,这是一个用于增强Aspergillus物种识别的深度学习模型.
• 与现有方法相比,提高Aspergillus识别的准确性和效率.
• 评估人工智能驱动的图像分析在临床真菌诊断中的潜力.

主要方法:

• 使用ResNet-50架构和焦点损失开发了一个深度学习模型FungalNet.
• 收集了12000张染色Aspergillus幻灯片制剂的高分辨率图像.
• 一个涉及交叉验证和专家审查的质量控制过程预先处理了11689张图像,用于对既有深度学习模型进行模型评估.

主要成果:

• 与三种已建立的深度学习模型相比,FungalNet实现了更高的分类性能.
• 该模型显示了高准确率:98.45%在截面级别和97.85%在物种级别.
• 菌网为真菌识别提供了一种快速且具有成本效益的方法.

结论:

• 菌网显示出在临床环境中快速准确识别阿斯伯吉勒斯菌种的显著前景.
• 基于人工智能的方法有可能提高真菌识别工作流程的效率和可靠性.
• 建议进一步优化和多中心验证,以便将其整合到常规诊断中.