使用混合深度学习模型对锥虫寄生虫进行卓越的自动识别

摘要

在低代码 AI 平台上使用简单的步骤自动筛选全球医用血液寄生虫。通过在混合深度学习模型中使用目标检测和分类方法，改善了血膜的前瞻性诊断。主动监测和训练有素的模型的协作有助于识别锥虫传播的热点。

摘要

锥虫病是包括南亚和东南亚在内的世界多个地区的重大公共卫生问题。确定主动监测的热点地区是控制疾病传播的基本程序。显微镜检查是一种常用的诊断方法。然而，它主要依靠熟练和有经验的人员。为了解决这个问题，引入了一个人工智能 （AI） 程序，该程序在内部低代码 AI 平台 （CiRA CORE） 上利用对象识别和对象分类神经网络主干的混合深度学习技术。该程序可以从油浸显微图像中识别和分类原生动物锥虫物种，即 克氏锥虫、 布氏锥虫和 埃文西锥虫。人工智能程序利用模式识别来观察和分析单个血液样本中的多个原生动物，并使用注意力图突出显示每个寄生虫的细胞核和动质体作为特定特征。

为了评估 AI 程序的性能，创建了两个独特的模块，提供各种统计度量，例如准确性、召回率、特异性、精确度、F1 分数、误分类率、受试者工作特征 （ROC） 曲线以及精确率与召回率 （PR） 曲线。评估结果表明，人工智能算法在识别和分类寄生虫方面是有效的。通过提供快速、自动化和准确的筛查工具，该技术有可能改变疾病监测和控制。它还可以帮助地方官员就疾病传播阻断战略做出更明智的决定。

引言

锥虫病是全球健康问题面临的重大挑战，因为多种人畜共患物种引起人类疾病，其地理分布范围很广，分布在非洲和美洲大陆以外的地区，如南亚^{和东南亚1,2,3}。非洲人类锥虫病 （HAT） 或昏睡病是由布氏冈比亚锥虫和罗得西亚锥虫引起的，它们分别产生慢性和急性形式，代表了非洲的主要传播。由于采采蝇的受感染唾液传播，致病寄生虫属于唾液组⁴.鉴于由克氏锥虫引起的众所周知的美国锥虫病（恰加斯病）一直是非流行国家的公共卫生问题;包括加拿大、美国、欧洲、澳大利亚和日本，因为个体经常从流行地区迁移⁵.锥虫感染属于 Stercoraria 组，因为它是由 reduviid 虫子的受感染粪便传播的。由埃文西锥虫感染引起的锥虫病和锥虫病（苏拉病）在非洲、南美洲、西亚和东亚以及南亚和东南亚国家流行 ^3,6。尽管已有由锥虫引起的人类锥虫病的报道 3,4,7,8,9,10,11,12，但寄生虫

研究方案

存档的血液胶片和项目设计得到了朱拉隆功大学兽医学院机构生物安全委员会、机构动物护理和使用委员会（IBC 第 2031033 号和 IACUC 第 1931027 号）和叻克拉邦国王理工学院人类研究伦理委员会 （EC-KMITL_66_014） 的批准。

1. 原始图像的准备

1. 影像数据集准备
   1. 获得至少 13 张血液寄生虫感染的阳性载玻片，包括布 氏锥虫、 克氏锥虫 和埃 文西锥虫，经寄生虫学家专家确认。将 13 张幻灯片分开，用于培训（10 张幻灯片）和测试（3 张幻灯片）。
   2. 在带有数码相机的光学显微镜的油浸场下获取上述Giemsa染色的薄血膜的图像。在显微镜检查下获得包含所有三种寄生虫物种的锥鞭毛体的多个物体的图像;寻找细长的形状、长长的尾巴、起伏的膜和前端的动质体。
      注意：创建厚涂片和薄涂片将增强急性期锥虫病^{的检测 31}。WHO³² 建议通过手指刺血来采血。然而，薄膜在识别 克氏锥 虫和其他物种方面更有效，因为这些生物体在厚膜中往往会变形³³。有鉴于此，我们利用薄血膜图像来保持寄生虫的适当形态，以进行本研究。
   3. 将所有图像存储在具有以下规格的寄生虫....

讨论

锥虫原生动物感染的显微镜观察是早期和常用的，特别是在偏远地区的监测期间，那里缺乏熟练的技术人员和劳动密集型和耗时的过程，这些都是及时报告卫生组织的障碍。尽管免疫学和聚合酶链反应（PCR）等分子生物学技术已被批准为高灵敏度方法，以支持实验室发现的有效性，但需要昂贵的化学品、仪器和专业人员来处理它们，这些技术大多位于大型医疗中心的中央实验室。共有的形态、混?.......

材料

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