Auto-identification supérieure des parasites trypanosomes à l’aide d’un modèle hybride d’apprentissage profond

Résumé

Les parasites sanguins médicaux du monde entier ont été automatiquement dépistés à l’aide d’étapes simples sur une plateforme d’IA low-code. Le diagnostic prospectif des films sanguins a été amélioré par l’utilisation d’une méthode de détection et de classification d’objets dans un modèle hybride d’apprentissage profond. La collaboration d’une surveillance active et de modèles bien entraînés permet d’identifier les points chauds de transmission des trypanosomes.

Résumé

La trypanosomiase est un problème de santé publique important dans plusieurs régions du monde, notamment en Asie du Sud et en Asie du Sud-Est. L’identification des zones à risque sous surveillance active est une procédure fondamentale pour contrôler la transmission de la maladie. L’examen microscopique est une méthode de diagnostic couramment utilisée. Néanmoins, elle s’appuie principalement sur un personnel qualifié et expérimenté. Pour résoudre ce problème, un programme d’intelligence artificielle (IA) a été introduit qui utilise une technique hybride d’apprentissage profond d’identification d’objets et de classification d’objets sur des dorsales de réseaux neuronaux à faible code (CiRA CORE). Le programme permet d’identifier et de classer les espèces de trypanosomes protozoaires, à savoir Trypanosoma cruzi, T. brucei et T. evansi, à partir d’images microscopiques par immersion dans l’huile. Le programme d’IA utilise la reconnaissance des formes pour observer et analyser plusieurs protozoaires dans un seul échantillon de sang et met en évidence le noyau et le kinétoplaste de chaque parasite en tant que caractéristiques spécifiques à l’aide d’une carte d’attention.

Pour évaluer les performances du programme d’IA, deux modules uniques sont créés qui fournissent une variété de mesures statistiques telles que l’exactitude, le rappel, la spécificité, la précision, le score F1, le taux d’erreur de classification, les courbes des caractéristiques de fonctionnement du récepteur (ROC) et les courbes de précision par rapport au rappel (PR). Les résultats de l’évaluation montrent que l’algorithme d’IA est efficace pour identifier et catégoriser les parasites. En fournissant un outil de dépistage rapide, automatisé et précis, cette technologie a le potentiel de transformer la surveillance et le contrôle des maladies. Cela pourrait également aider les responsables locaux à prendre des décisions plus éclairées sur les stratégies de blocage de la transmission des maladies.

Introduction

La trypanosomiase est un défi important pour les problèmes de santé mondiaux en raison d’une variété d’espèces zoonotiques causant des maladies humaines avec un large éventail de distributions géographiques en dehors des continents africain et américain, comme l’Asie du Sud et du Sud-Est ^1,2,3. La trypanosomiase humaine africaine (THA), ou maladie du sommeil, est causée par Trypanosoma brucei gambiense et T. b. rhodesiense qui produisent respectivement les formes chroniques et aiguës, représentant la principale propagation en Afrique. Le parasite responsable....

Protocole

Les films sanguins archivés et la conception du projet ont été approuvés par le Comité institutionnel de biosécurité, le Comité institutionnel de soins et d’utilisation des animaux de la Faculté des sciences vétérinaires de l’Université Chulalongkorn (IBC n° 2031033 et IACUC n° 1931027) et le Comité d’éthique de la recherche humaine de l’Institut de technologie du roi Mongkut à Ladkrabang (EC-KMITL_66_014).

1. Préparation des images brutes

1. Préparation du jeu de données d’images
   1. Obtenir au moins 13 lames positives avec des infections parasitaires sanguines, y compris T. brucei, T. cruzi et ....

Discussion

L’observation microscopique de l’infection par les protozoaires à Trypanosoma est précoce et couramment utilisée, en particulier lors de la surveillance dans les zones reculées où il y a un manque de techniciens qualifiés et des processus à forte intensité de main-d’œuvre et de temps qui sont autant d’obstacles à la déclaration de l’organisation sanitaire en temps opportun. Bien que les techniques de biologie moléculaire telles que l’immunologie et la réaction en chaîne par polymérase (PCR) aie.......

matériels

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