التعرف التلقائي الفائق على طفيليات المثقبيات باستخدام نموذج التعلم العميق الهجين

Summary

تم فحص طفيليات الدم الطبية في جميع أنحاء العالم تلقائيا باستخدام خطوات بسيطة على منصة الذكاء الاصطناعي منخفضة التعليمات البرمجية. تم تحسين التشخيص المستقبلي لأغشية الدم باستخدام طريقة الكشف عن الأشياء وتصنيفها في نموذج التعلم العميق الهجين. يساعد التعاون بين المراقبة النشطة والنماذج المدربة تدريبا جيدا على تحديد النقاط الساخنة لانتقال المثقبيات.

Abstract

داء المثقبيات مشكلة صحية عمومية كبيرة في عدة مناطق في جميع أنحاء العالم، بما في ذلك جنوب آسيا وجنوب شرق آسيا. ويعد تحديد المناطق الساخنة الخاضعة للترصد النشط إجراء أساسيا لمكافحة انتقال المرض. الفحص المجهري هو طريقة تشخيصية شائعة الاستخدام. ومع ذلك ، فهي تعتمد في المقام الأول على الموظفين المهرة وذوي الخبرة. لمعالجة هذه المشكلة ، تم تقديم برنامج الذكاء الاصطناعي (الذكاء الاصطناعي) الذي يستخدم تقنية التعلم العميق الهجينة لتحديد الكائنات والعمود الفقري للشبكة العصبية لتصنيف الكائنات على منصة الذكاء الاصطناعي منخفضة التعليمات البرمجية الداخلية (CiRA CORE). يمكن للبرنامج تحديد وتصنيف أنواع المثقبيات الأولية ، وهي Trypanosoma cruzi و T. brucei و T. evansi ، من الصور المجهرية بالغمر بالزيت. يستخدم برنامج الذكاء الاصطناعي التعرف على الأنماط لمراقبة وتحليل العديد من البروتوزوا داخل عينة دم واحدة ويسلط الضوء على النواة والحركية لكل طفيلي كسمات مميزة محددة باستخدام خريطة الانتباه.

لتقييم أداء برنامج الذكاء الاصطناعي ، يتم إنشاء وحدتين فريدتين توفران مجموعة متنوعة من المقاييس الإحصائية مثل الدقة ، والاستدعاء ، والنوعية ، والدقة ، ودرجة F1 ، ومعدل التصنيف الخاطئ ، ومنحنيات خصائص تشغيل جهاز الاستقبال (ROC) ، ومنحنيات الدقة مقابل الاستدعاء (PR). تظهر نتائج التقييم أن خوارزمية الذكاء الاصطناعي فعالة في تحديد وتصنيف الطفيليات. من خلال تقديم أداة فحص سريعة وآلية ودقيقة ، فإن هذه التكنولوجيا لديها القدرة على تحويل مراقبة الأمراض ومكافحتها. كما يمكن أن يساعد المسؤولين المحليين في اتخاذ قرارات أكثر استنارة بشأن استراتيجيات منع انتقال الأمراض.

Introduction

يمثل داء المثقبيات تحديا كبيرا لقضايا الصحة العالمية بسبب مجموعة متنوعة من الأنواع الحيوانية المنشأ التي تسبب الأمراض البشرية مع مجموعة واسعة من التوزيع الجغرافي خارج القارتين الأفريقية والأمريكية ، مثل جنوب وجنوب شرق آسيا^1،2،3. داء المثقبيات الأفريقي البشري (HAT) أو مرض النوم ، هو سبب المثقبية البروسية الغامبية و T. b. rhodesiense التي تنتج الأشكال المزمنة والحادة ، على التوالي ، والتي تمثل الانتشار الرئيسي في أفريقيا. ينتمي الطفيلي المسبب إلى مجموعة اللعاب بسبب انتقال ذباب تسي تسي عن طريق اللعاب المصاب⁴. وحيث أن داء المثقبيات الأمري....

Protocol

تمت الموافقة على أفلام الدم المؤرشفة وتصميم المشروع من قبل اللجنة المؤسسية للسلامة الأحيائية ، واللجنة المؤسسية لرعاية واستخدامها التابعة لكلية العلوم البيطرية ، وجامعة شولالونغكورن (IBC رقم 2031033 و IACUC رقم 1931027) ، ولجنة أخلاقيات البحوث البشرية التابعة لمعهد الملك مونغكوت للتكنولوجيا في لادكرابانغ (EC-KMITL_66_014).

1. إعداد الصور الخام

1. إعداد مجموعة بيانات الصورة
   1. احصل على ما لا يقل عن 13 شريحة إيجابية مصابة بعدوى طفيليات الدم ، بما في ذلك T. brucei و T. cruzi و T. evansi ، أكدها خبراء الطفيليات. افصل بين الشرائح ال 13 للتدريب (10 شرائح) والاختبار (ثلاث شرائح).
   2. اح....

النتائج

في هذه الدراسة ، تم اقتراح خوارزميات التعلم العميق الهجينة للمساعدة في التنبؤ تلقائيا بإيجابية عينة الدم المصابة بعدوى طفيلي المثقبيات. تم فرز أفلام الدم المؤرشفة والملطخة ب Giemsa لتحديد موقع وتصنيف الطفيليات مقابل غير الطفيلية باستخدام خوارزمية اكتشاف الكائنات بناء على شبكة عصبية أساسي?.......

Discussion

إن المراقبة المجهرية لعدوى المثقبيات الأولية مبكرة وشائعة الاستخدام، لا سيما أثناء الترصد في المناطق النائية حيث يوجد نقص في الفنيين المهرة والعمليات كثيفة العمالة والمستهلكة للوقت وكلها عقبات أمام إبلاغ المنظمة الصحية في الوقت المناسب. على الرغم من أن تقنيات البيولوجيا الجزيئية مثل ع?.......

Materials

Name	Company	Catalog Number	Comments
Darknet19, Darknet53 and Densenet201	Gao Huang, Z. L., Laurens van der Maaten. Densely Connected Convolutional Networks. arXiv:1608.06993 [cs.CV]. (2016)	https://github.com/liuzhuang13/DenseNet	Deep convolutional neural network model that can function to  classification Generic name: YOLO model/ detection model?
Olympus CX31 Model CX31RRBSFA	Olympus, Tokyo, Japan	SN 4G42178	A light microscope
Olympus DP21-SAL U-TV0.5XC-3	Olympus, Tokyo, Japan	SN 3D03838	A digital camera Generic name: Classification models/ densely CNNs
Window 10	Microsoft	Window 10	Operation system in computers
YOLO v4-tiny	Naing, K. M. et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Comput Sci. 8 e1065, (2022).	https://git.cira-lab.com/users/sign_in	Deep convolutional neural network model that can function to both localization and also classification
		https://git.cira-lab.com/users/sign_in