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 appartient au groupe des Salivaria en raison de la transmission par la salive infectée des mouches tsé-tsé⁴. Attendu que la célèbre trypanosomiase américaine (maladie de Chagas) causée par T. cruzi a été un problème de santé publique pour les pays non endémiques ; y compris le Canada, les États-Unis, l’Europe, l’Australie et le Japon, en raison de la migration fréquente d’individus en provenance de zones endémiques⁵. L’infection à trypanosome appartient au groupe des Stercoraria car elle est transmise par les excréments infectés de punaises réduviides. Les trypanosomiases et les trypanosomoses (maladie de Surra) causées par l’infection à T. evansi sont endémiques en Afrique, en Amérique du Sud, en Asie occidentale et orientale et dans les pays d’Asie du Sud et du Sud-Est ^3,6. Bien que des cas de trypanosomiase humaine causée par le trypanosome aient été rapportés 3,4,7,8,9,10,11,12, la voie de transmission de l’infection parasitaire est débattue : soit le sang mécanique, soit le sang infecté par des insectes hématophages tels que les mouches tsé-tsé et les tabanidés ou les taons ^6,7, 8,9,10,12,13,14. Aucun cas n’a été signalé en Thaïlande, cependant, une prévalence élevée de l’infection à T. evansi chez les chiens¹⁵, les chevaux de course et les buffles d’eau dans la région orientale a été publiée¹⁶, ce qui suggère qu’une transmission acquise entre animaux domestiques se serait produite. Plusieurs infections humaines atypiques causées par des trypanosomes animaux (T. vivax, T. b. brucei, T. congolense, T. lewisi et T. evansi) ont été rapportées, qui ne sont pas les formes classiques des trypanosomes humains¹⁷. La sensibilisation aux infections humaines atypiques pourrait être sous-estimée, ce qui souligne la nécessité d’améliorer les tests de diagnostic et les enquêtes sur le terrain pour détecter et confirmer ces cas atypiques, et permettre un contrôle et un traitement appropriés des maladies pathogènes animales qui affectent le bétail mondial, la sécurité alimentaire¹⁸ et les soins de santé humaine. Cela a conduit à l’élaboration d’une stratégie potentielle intégrée à une méthode commune existante (examen microscopique) pour dépister rapidement des échantillons de sang dans des zones éloignées pendant la surveillance active, permettant d’identifier les zones à risque pour restreindre et contrôler la maladie.

L’incidence sporadique de la maladie de Surra chez un large éventail d’animaux domestiques tels que les dromadaires, les bovins, les équidés et les chiens qui évoquent un T. evansi euryxène peut être zoonotique pour les humains 1,4,13,14. L’infection humaine semble impossible parce qu’un facteur trypanolytique dans le sérum humain, exprimé à partir d’un gène de type sra, est capable de prévenir T. brucei et T. congolense humains ^12,19. De plus, comme le montre le premier rapport de cas en Inde, la maladie n’est pas associée aux patients immunodéprimés atteints du VIH⁴. Comme décrit ci-dessus, l’infection humaine possible peut être liée à un déficit en lipoprotéines de haute densité avec une fonction anormale du facteur lytique trypanosome, qui est une maladie génétique autosomique récessive rare, à savoir la maladie de Tanger⁴. En 2016, on a découvert qu’un patient vietnamien possédait deux allèles APOL1 de type sauvage et une concentration sérique d’APOL1 dans la fourchette normale. Cependant, la théorie du déficit en APOL-1 n’est plus considérée comme valide¹². Par conséquent, l’un des mécanismes possibles de l’infection à trypanosome est le contact direct d’une plaie avec du sang d’animal infecté lors d’un élevage professionnel ^4,12. L’examen microscopique révèle que la morphologie de T. evansi est une forme monomorphe du trypomastigote comprenant un trypanosome prédominant, long, mince, flagellé et diviseur qui est similaire à leur espèce apparentée de T. brucei ^1,12,13. Le noyau est en position centrale avec un petit kinétoplaste visible en position postérieure. Une étude antérieure a indiqué que le parasite peut exister sous deux formes comparables, connues sous le nom de formes classiques et tronquées. Cependant, il reste nécessaire de confirmer leurs effets pathogènes respectifs sur les hôtes²⁰. L’évolution des symptômes varie allant de la fièvre intermittente associée à des frissons et à la transpiration. Heureusement, la suramine est un traitement de première intention efficace pour la trypanosomiase humaine africaine à un stade précoce sans invasion du système nerveux central (SNC), guérissant des patients en Inde et au Vietnam ^4,12,21.

À l’exception de l’examen des signes cliniques, il existe plusieurs méthodes de diagnostic des parasites de T. evansi, notamment l’observation microscopique parasitologique ^4,9,12, l’observation sérologique 4,8,9,10,12 et les tests de biologie moléculaire ^4,12. Des films de sang mince colorés au Giemsa sont souvent utilisés pour visualiser le parasite présent lors d’un examen microscopique, qui est couramment utilisé²². Cependant, la procédure semble réalisable ; Néanmoins, elle prend beaucoup de temps et de main-d’œuvre, présente une variabilité d’évaluation inter-évaluateurs, n’est sensible qu’à une phase aiguë et nécessite un stagiaire personnel²³. La biologie moléculaire et les tests sérologiques nécessitaient également un personnel hautement qualifié pour effectuer de multiples processus de préparation des échantillons, y compris l’extraction et la purification des échantillons avant de les tester avec des appareils coûteux, difficiles à normaliser, le risque de contamination par des matériaux extraparasitaires et les divergences dans les résultats²⁴. Sur la base de la justification décrite ci-dessus, une technologie de dépistage rapide et précoce est nécessaire pour soutenir l’étude de surveillance sur le terrain et s’assurer que les résultats de l’enquête sont communiqués en temps opportun afin d’identifier la zone à risque pour un contrôle plus poussé de la transmission de la maladie ^1,8. Les dispositifs informatisés (CAO) ont été proposés comme une technologie innovante pour les domaines médicaux, y compris les tâches histopathologiques et cytopathologiques²⁵. La CAO mentionnée ci-dessus a été réalisée à grande vitesse et calculée à l’aide de la reconnaissance de formes, à savoir l’intelligence artificielle (IA). La méthode d’IA est réalisée à l’aide d’algorithmes de réseaux neuronaux convolutifs qui peuvent être utilisés pour traiter un grand nombre d’échantillons de jeux de données, en particulier une approche d’apprentissage supervisé qui entraîne un modèle bien entraîné lors de la consommation de données.

En général, l’IA est la capacité des ordinateurs à résoudre des tâches qui nécessitent une intelligence experte, comme l’étiquetage des données. L’apprentissage automatique (ML), un sous-domaine de l’IA, est représenté comme un système informatique avec deux processus différents comprenant l’extraction de caractéristiques et la reconnaissance de formes. L’apprentissage profond (DL), ou algorithmes avancés d’apprentissage automatique, fait référence au développement de programmes et d’appareils informatisés comparant des performances de type humain à des niveaux de précision supérieurs et égaux à ceux accomplis par des professionnels humains²⁶. À l’heure actuelle, le rôle de la DL dans les domaines médical et vétérinaire est prometteur pour l’expansion et la révolution de la prévention des maladies transmissibles dans le but d’une prévention récente et de l’orientation vers le personnel de santé individuel^22,27. L’application potentielle de DL est illimitée avec des labels de qualité et un grand nombre de jeux de données augmentés, libérant ainsi des spécialistes pour gérer la tâche du projet. Plus précisément, une avancée dans l’image numérique ainsi que l’analyse assistée par ordinateur ont amélioré le diagnostic et le dépistage automatiques dans cinq catégories de pathologies rapportées ; y compris les méthodes statiques, dynamiques, robotiques, d’imagerie de lames entières et hybrides²⁸. Il est nécessaire de considérer que l’intégration d’approches d’algorithmes de DL et de données d’images numériques pourrait encourager le personnel local à utiliser la technologie dans ses pratiques quotidiennes.

Auparavant, l’augmentation de la précision de la prédiction de l’utilisation d’un modèle hybride avait été prouvée²⁷. Afin d’identifier le parasite trypanosome dans des images microscopiques, cette recherche présente deux modèles hybrides, intégrant les algorithmes YOLOv4-tiny (détection d’objets) et Densenet201 (classification d’objets). Parmi plusieurs modèles de détection, YOLOv4-tiny avec un backbone CSPDarknet53 a montré des performances élevées en tant que résultat de prédiction en termes de localisation et de classification²⁹. Étant donné que le détecteur en temps réel a modifié l’équilibre optimal entre la résolution du réseau d’entrée, la quantité de la couche convolutive, le paramètre total et le nombre de sorties de couche, il a amélioré la hiérarchisation des vitesses de fonctionnement rapides et l’optimisation des calculs parallèles par rapport aux versions précédentes. Le réseau convolutif dense (DenseNet) est un autre modèle populaire qui permet d’obtenir des résultats de pointe sur des ensembles de données concurrents. DenseNet201 a donné une erreur de validation similaire comparable à celle de ResNet101 ; cependant, DenseNet201 a moins de 20 millions de paramètres, ce qui est moins que les plus de 40 millions de paramètres de ResNet101³⁰. Par conséquent, le modèle DenseNet pourrait améliorer la précision des prédictions avec un nombre croissant de paramètres sans aucun signe de surapprentissage. Ici, un programme d’intelligence artificielle (IA) utilise un algorithme hybride d’apprentissage profond avec des dorsales de réseau neuronal de détection et de classification approfondies sur la plate-forme interne CiRA CORE. Le programme développé 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 immergées dans l’huile. Cette technologie a le potentiel de révolutionner la surveillance et le contrôle des maladies en fournissant une méthode de dépistage rapide, automatisée et précise. Cela pourrait aider le personnel local à prendre des décisions plus éclairées sur les stratégies de blocage de la transmission de la maladie parasitaire à protozoaires.

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 T. evansi, confirmées par des experts parasitologues. Séparez les 13 diapositives pour la formation (10 diapositives) et les tests (trois diapositives).
   2. Acquérir des images des films sanguins minces de Giemsa décrits ci-dessus sous un champ d’immersion dans l’huile d’un microscope optique avec un appareil photo numérique. Obtenir des images contenant plusieurs objets des trypomastigotes des trois espèces de parasites sous examen microscopique ; Recherchez une forme élancée, de longues queues, une membrane ondulée et un kinétoplaste à l’extrémité antérieure.
      REMARQUE : La création de frottis épais et minces améliorerait la détection de la trypanosomiase en phase aiguë³¹. Le prélèvement sanguin par piqûre au doigt est recommandé par l’OMS³². Néanmoins, les couches minces sont plus efficaces pour identifier Trypanosoma cruzi et d’autres espèces, car ces organismes ont tendance à se déformer en couches épaisses³³. À la lumière de cela, nous avons utilisé des images de film sanguin mince pour maintenir la morphologie appropriée des parasites pour cette étude.
   3. Stockez toutes les images dans un dossier spécifique au parasite avec les spécifications suivantes : 1 600 x 1 200 pixels, profondeur de 24 bits et format de fichier JPG. Divisez les images en ensembles d’entraînement et de test dans un rapport de ~6 :1.
      REMARQUE : Voir https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip ; 650 images ont été divisées pour entraîner (560 images) et tester (90 images) le modèle.
   4. Définissez la région d’intérêt sous la forme d’une étiquette rectangulaire pour deux classes : les trypanosomes et les non-trypanosomes. Utilisez le module de recadrage automatique pour recadrer toutes les images détectées à l’aide du modèle de détection d’objets bien entraîné. Le module de recadrage automatique est le module développé dans le cadre du programme interne CiRA CORE (voir le tableau des matériaux). Collectez un seul objet par image pour entraîner la classification des objets.
      REMARQUE : Pour cet article, 1 017 images ont été divisées à des fins d’entraînement (892 images) et de test (126 images). L’entraînement du modèle a été effectué avec quatre classes étiquetées, y compris leucocyte, T. brucei, T. cruzi et T. evansi.

2. Processus de formation avec la plateforme interne CiRA CORE

1. Démarrage d’un nouveau projet
   1. Ouvrez l’application CiRA CORE à partir du bureau de l’ordinateur (voir Table des matériaux) et créez un nouveau projet en double-cliquant sur l’icône du programme.
   2. Cliquez sur l’icône d’opération dans la barre d’outils verticale de gauche pour sélectionner les outils requis.
2. Entraînement du modèle de détection d’objets
   1. Sélectionnez la fonction de modèle training-DL pour l’étiquetage et l’entraînement des données à l’aide de la méthode glisser-déposer . Accédez à la barre d’outils Général | CiRA AI | Glisser DeepTrain | Déposez DeepTrain sur l’écran (à droite).
      REMARQUE : Pour des options supplémentaires, cliquez avec le bouton droit de la souris sur l’outil sélectionné et exécutez les fonctions appropriées : Copier, Couper ou Supprimer.
   2. Importez les images à l’aide des paramètres de l’outil DeepTrain. Cliquez sur le bouton Charger les images et accédez au répertoire des images. Étiquetez les objets en maintenant le clic gauche enfoncé et en nommant l’objet sélectionné. Ajustez l’épaisseur de la ligne rectangulaire et la taille de la police en cliquant sur le bouton Paramètres d’affichage et enregistrez GT en tant que fichier .gt dans le même répertoire.
      REMARQUE : Enregistrez au besoin pour éviter toute condition indésirable telle que les pannes de courant, les fermetures automatiques de programmes et le blocage dans le processus d’étiquetage.
   3. Avant l’entraînement du modèle, développez les données pour recueillir suffisamment d’informations à l’aide des quatre techniques d’augmentation : rotation, contraste, bruit et flou. Cliquez sur le bouton Gen Setting (Paramètres généraux ) pour accéder à cette fonctionnalité.
   4. Lancez l’entraînement du modèle en cliquant sur le bouton Entraînement dans l’outil DeepTrain . La partie formation a deux sous-fonctions : Générer des fichiers d’entraînement et Entraîner. Sous la fonction Générer des fichiers d’entraînement , sélectionnez les modèles, la taille de lot et les subdivisions souhaités. Cliquez sur le bouton Générer pour générer des données et les enregistrer dans le répertoire. Dans la fonction Entraîner , choisissez les options suivantes : i) utiliser un autre emplacement d’entraînement généré pour les conditions et la sauvegarde, ii) utiliser des poids prédéfinis pour l’entraînement continu ou iii) remplacer les paramètres pour la conception d’entraînement actuelle. Cela permettra de concevoir la configuration du modèle et les conditions d’entraînement.
      REMARQUE : La durée du processus de génération dépend de la taille du fichier image, de l’utilisation de l’augmentation et de l’espace mémoire disponible.
   5. Une fois toutes les configurations nécessaires terminées, commencez l’entraînement du modèle en cliquant sur le bouton Entraîner . Laissez le programme s’exécuter en continu, en évaluant la perte d’apprentissage et en ajustant le poids de l’ensemble de données pendant le processus d’apprentissage. Si le modèle atteint une perte optimale, enregistrez le fichier de poids entraîné dans le répertoire spécifié en cliquant sur le bouton Exporter .

3. Évaluation du modèle de détection d’objets

1. Sélectionnez la fonction d’évaluation du modèle de détection d’objet pour l’évaluation du modèle à l’aide de la méthode glisser-déposer. Accédez à la barre d’outils Plugin | Évaluer | Faites glisser EvalDetect | Déposez EvalDetect sur l’écran (à droite).
2. Cliquez sur Paramètres et attendez trois fonctions : Détection, Évaluation et Tracé. Lancez l’évaluation du modèle en important le fichier de poids entraîné à partir du répertoire (étape 2.2.5) en cliquant sur Charger la configuration.
3. Sous la fonction Détection , sélectionnez la valeur de suppression non maximale (NMS) pour améliorer la précision en éliminant les détections de faux positifs (FP) redondantes. Le DDN supprime les détections générées par le modèle en double pour améliorer la fiabilité.
4. Procédez comme suit dans la fonction d’évaluation :
   1. Importez des images de test à partir du répertoire du fichier image en cliquant sur Parcourir. Importez le fichier GT à partir du répertoire où il a été enregistré à l’étape 2.2.2 en cliquant sur Charger GT.
   2. Choisissez la valeur Intersection over Union (IoU) pour évaluer la précision du jeu de données de test d’image spécifique.
   3. Cliquez sur le bouton Evaluation (Évaluation ) pour évaluer le modèle de détection dans le répertoire spécifié. Une fois l’évaluation terminée, les résultats seront automatiquement enregistrés sous forme de fichier CSV dans le même répertoire, triés par nom de classe. Ce fichier CSV fournit des paramètres essentiels tels que True Positive (TP), False Positive (FP), False Negative (FN), Recall et Precision pour chaque classe.
5. Pour tracer la courbe PR (Precision-Rappel), procédez comme suit dans la fonction Tracer : Importez les fichiers CSV du répertoire de la section précédente (étape 3.4) en cliquant sur Parcourir. Choisissez des classes dans la liste et cliquez sur le bouton Tracer pour afficher l’image de la courbe PR modifiable.
6. Enfin, pour enregistrer une image avec les valeurs AUC de la courbe PR dans le format d’image requis dans le répertoire spécifié, cliquez sur le bouton Enregistrer de l’image.

4. Recadrage d’image pour un seul objet par image

1. Avant de recadrer les images, procédez comme suit :
   1. Importez les images à partir du répertoire du fichier image en accédant aux paramètres de l’outil Diapositive d’image.
   2. Importez le fichier de poids entraîné (enregistré à l’étape 2.2.8) en accédant aux paramètres de l’outil Deep Detect. Cliquez sur le bouton Config | +, sélectionnez le backend (CUDA ou CPU), indiquez un nom, cliquez sur OK, choisissez le répertoire du fichier de poids, puis cliquez sur Choisir. Dans l’outil Détection approfondie, sélectionnez les paramètres de détection (suppression des seuils et des non-maxima (nms)) ; paramètres de dessin ; paramètres de suivi ; et les paramètres de région d’intérêt (ROI).
   3. Sélectionnez le répertoire dans lequel les images recadrées seront enregistrées en accédant aux paramètres de l’outil Recadrage profond. Cliquez sur Parcourir | choisissez le répertoire pour enregistrer les images recadrées | cliquez sur Choisir | sélectionnez le format d’image (jpg ou png) | activez l’option Enregistrement automatique.
2. Recadrez les images pour obtenir un seul objet par image à des fins de classification et de segmentation des images. Pour effectuer ce processus, utilisez quatre outils et établissez des connexions entre eux : accédez à la barre d’outils Général | Généralités | Bouton Exécuter. Ensuite, accédez à Barre d’outils Général | CiRA AI | Détection profonde ; puis, allez dans Barre d’outils Général | CiRA AI | Recadrage profond. Enfin, allez dans Barre d’outils Image | L’acquisition | Diapositive d’image.
3. Une fois que tous les paramètres nécessaires sont en place, lancez le processus de recadrage de l’image en cliquant sur l’outil Exécuter le bouton .
4. Obtenez un nouveau jeu de données d’entraînement d’images composé d’images d’un seul objet d’une taille de 608 x 608.

5. Classification d’images en tant qu’entraînement de modèle

1. Utilisez le glisser-déposer pour sélectionner la fonction d’entraînement du modèle de classification d’images pour l’entraînement des données. Accédez à la barre d’outils Image | DeepClassif | Drag ClassifTrain | Déposez ClassifTrain sur l’écran.
2. Importez des images pour l’entraînement du modèle à l’aide des paramètres de l’outil ClassifTrain . Cliquez sur le bouton Ouvrir le dossier et accédez au répertoire d’images souhaité. Avant l’entraînement, développez les données en cliquant sur le bouton Augmentation pour plus d’informations à l’aide de techniques telles que la rotation, le contraste, le retournement (horizontal et/ou vertical), le bruit et le flou.
3. Pour commencer l’entraînement du modèle, cliquez sur le bouton GenTrain de l’outil ClassifTrain . Sous la fonction GenTrain , sélectionnez les modèles, la taille du lot et les subdivisions. Attribuez un répertoire pour enregistrer le fichier généré. Cliquez sur le bouton Générer pour continuer avec les données de l’entraînement. Dans la fonction Entraîner , cochez les options appropriées : Continuer l’entraînement avec le poids par défaut ou le poids personnalisé.
   REMARQUE : Le processus de génération peut prendre du temps en fonction de facteurs tels que la taille du fichier image, l’utilisation de l’augmentation, l’équilibrage des classes et l’espace mémoire disponible.
4. Une fois tous les préparatifs terminés, lancez l’entraînement du modèle en cliquant sur le bouton Démarrer . Laissez le programme s’exécuter en continu, en évaluant la perte d’apprentissage et en ajustant le poids de l’ensemble de données pendant le processus d’apprentissage. Si le modèle atteint le niveau de perte souhaité, enregistrez le fichier de poids entraîné dans le répertoire spécifié en cliquant sur le bouton Exporter .

6. Évaluation du modèle de classification

1. Sélectionnez la fonction d’évaluation du modèle de classification d’images pour l’évaluation du modèle à l’aide de la méthode glisser-déposer . Accédez à la barre d’outils Plugin | Évaluer | Faites glisser EvaluateClassif | Déposez EvaluateClassif sur l’écran (à droite).
2. Cliquez sur Paramètre pour accéder à des fonctions supplémentaires dans l’outil EvaluateClassif , à savoir Evaluate et PlotROC.
3. Pour lancer l’évaluation du modèle, cliquez sur le bouton Évaluer dans l’outil EvaluateClassif . Suivez ces étapes sous la fonction Évaluer .
   1. Importez les images de test à partir du répertoire du fichier image en cliquant sur l’image du dossier Charger. Importez le fichier de poids entraîné à partir du répertoire (enregistré à l’étape 5.4) en cliquant sur Charger la configuration. Cliquez sur le bouton Démarrer pour évaluer le modèle de classification.
   2. Une fois l’évaluation terminée, enregistrez le fichier évalué au format CSV dans le répertoire spécifié en cliquant sur le bouton Exporter au format CSV . Pour l’évaluation des données à chaque seuil, enregistrez le fichier CSV avec les noms de classe dans le répertoire spécifié en cliquant sur Démarrer tout seuil. Le fichier CSV enregistré inclut des paramètres tels que Rappel (taux de vrais positifs), Taux de faux positifs et Précision pour chaque classe.
4. Pour tracer la courbe des caractéristiques de fonctionnement du récepteur (ROC), cliquez sur le bouton PlotROC dans l’outil EvaluateClassif . Suivez ces étapes sous la fonction PlotROC .
   1. Importez les fichiers CSV du répertoire obtenu précédemment en cliquant sur Parcourir. Inspectez la liste des classes importées et sélectionnez chaque étiquette de classe pour tracer la courbe ROC.
   2. Cliquez sur le bouton Tracer pour visualiser la courbe ROC sous forme d’image. Apportez les modifications souhaitées pour ajuster les propriétés de l’image, notamment la taille et les couleurs de la police, l’arrondi de la décimale, les styles de ligne et les couleurs de ligne.
5. Enfin, enregistrez une image de la courbe ROC avec les valeurs AUC dans le format d’image requis dans le répertoire spécifié en cliquant sur le bouton Enregistrer .

7. Tester le processus avec l’application CiRA CORE

1. Détection d’objets en tant que test de modèle
   1. Pour effectuer des tests de modèle, utilisez quatre outils et établissez des connexions entre eux. Accédez à la barre d’outils Général | Généralités | Bouton Exécuter. Ensuite, Barre d’outils Général | Généralités | Débogage. Après cela, cliquez sur Barre d’outils Général | CiRA AI | DeepDetect, et enfin la barre d’outils Image | L’acquisition | Diapositive d’image.
   2. Avant de tester les images, procédez comme suit :
      1. Importez les images de test à partir du répertoire du fichier image en cliquant sur l’option Paramètres dans l’outil Diapositive d’image .
      2. Importez le fichier de poids entraîné enregistré à partir de l’étape 2.2.8 en cliquant sur l’option Paramètres dans l’outil DeepDetect . Cliquez sur le bouton Config , puis sur le bouton +, sélectionnez le backend (CUDA ou CPU), indiquez un nom, cliquez sur OK, choisissez le répertoire du fichier de poids, puis cliquez sur Choisir. Sous l’outil DeepDetect , sélectionnez les paramètres de détection (seuil et nms), les paramètres de dessin, les paramètres de suivi et les paramètres de retour sur investissement.
      3. Affichez les résultats de l’image de test en cliquant sur la fonction d’image dans l’outil Débogage .
   3. Enfin, vérifiez les résultats prévus pour chaque image en cliquant sur le bouton Exécuter de l’outil Exécuter le bouton .
2. Classification d’images en tant que test de modèle
   1. Pour effectuer des tests de modèle, utilisez quatre outils et établissez des connexions entre eux. Accédez à la barre d’outils Général | Généralités | Bouton d’exécution ; puis, Barre d’outils Général | Débogage. Après cela, accédez à la barre d’outils Image | L’acquisition | ImageSlide, et enfin, Barre d’outils Image | DeepClassif | DeepClassif.
   2. Avant de tester les images, procédez comme suit :
      1. Importez les images de test à partir du répertoire du fichier image en cliquant sur l’option Paramètres dans l’outil Diapositive d’image .
      2. Importez le fichier de poids entraîné enregistré à partir de la section 5.5 en cliquant sur l’option Paramètres dans l’outil DeepClassif . Cliquez sur le bouton Config | bouton + | sélectionnez le backend (CUDA ou CPU) | Donnez un nom | cliquez sur OK | Choisissez le répertoire du fichier de poids | cliquez sur Choisir. Sous l’outil DeepClassif , sélectionnez les paramètres de classification (seuil et nombre de prédictions de classe supérieure), les paramètres de la carte de guide (seuil, alpha, bêta et palette de couleurs) et divers paramètres de la palette de couleurs.
      3. Affichez les résultats de l’image de test en cliquant sur la fonction d’image dans l’outil Débogage .
   3. Enfin, vérifiez les résultats prévus pour chaque image en cliquant sur le bouton Exécuter de l’outil Exécuter le bouton .

8. Hybride (détection et classification) comme test de modèle

1. Pour effectuer ce test de modèle, utilisez quatre outils et établissez des connexions entre eux. Accédez à la barre d’outils Général | Généralités | ButtonRun. Ensuite, Barre d’outils Général | Généralités | Débogage. Après cela, Barre d’outils Image | L’acquisition | ImageSlide, et enfin, Barre d’outils Image | Composite profond | ProfondD->C.
2. Avant de tester les images, procédez comme suit : Importez des images de test à partir du répertoire du fichier image en cliquant sur l’option Paramètres dans l’outil Diapositive d’image . Importez les deux fichiers de poids entraînés enregistrés à partir de la section 2.1.5 et de la section 4.4 en cliquant sur l’option Réglage dans l’outil DeepD->C :
   1. Pour la fonction Détecter, cliquez sur le bouton Config |+, sélectionnez le backend (CUDA ou CPU) | Donnez un nom | cliquez sur OK | choisissez le répertoire du fichier de poids | cliquez sur Choisir. Sous la fonction Détecter, sélectionnez les paramètres de détection (Seuil et nms), les paramètres de dessin, les paramètres de suivi et les paramètres de retour sur investissement.
   2. Pour la fonction Classif, cliquez sur le bouton Config |+, sélectionnez le backend (CUDA ou CPU) | Donnez un nom | cliquez sur OK | choisissez le répertoire du fichier de poids | cliquez sur Choisir. Sous la fonction Classif, sélectionnez les paramètres de classification (Seuil et nombre de prédictions de classe supérieure) et les paramètres de la carte Guide (seuil, alpha, bêta et carte de couleurs).
3. Affichez les résultats de l’image de test en cliquant sur la fonction d’image dans l’outil Débogage . Enfin, vérifiez les résultats prévus pour chaque image en cliquant sur le bouton Exécuter de l’outil Exécuter le bouton .

9. Validation croisée en cinq étapes

REMARQUE : Pour valider plus efficacement les performances du modèle proposé, la validation croisée K-fold est utilisée.

1. Divisez le jeu de données en cinq sections, correspondant aux cinq plis de validation croisée. Au cours de chaque itération de l’entraînement et des tests du modèle, utilisez une section comme jeu de validation pour les tests et les quatre sections restantes pour l’entraînement. Répétez ce processus cinq fois, chaque pli étant utilisé une fois comme jeu de validation.
2. Pour les plis 1 à 5 :
   1. Répétez la section 5 pour entraîner le modèle à l’aide des données d’apprentissage des quatre plis.
   2. Répétez la section 7.2 pour tester le modèle en utilisant le pli restant comme jeu de test.

10. Évaluation du modèle

1. Matrice de confusion
   1. Sur la base des résultats des tests, les quatre conditions se produiront comme suit :
      1. Vrai positif (TP) : lorsque l’image d’entrée est vraie et que la prédiction est également vraie.
      2. Faux positif (FP) : lorsque l’image d’entrée est fausse, mais que la prédiction est vraie.
      3. Faux négatif (FN) : lorsque l’image d’entrée est vraie, mais que la prédiction est fausse.
      4. Vrai négatif (TN) : lorsque l’image d’entrée est fausse et que la prédiction est également fausse.
   2. À l’aide de ces quatre conditions, évaluez les performances à l’aide de la matrice de confusion.
2. Évaluations de la performance
   1. Les mesures de performance de classification les plus couramment utilisées sont l’exactitude, la précision, le rappel, la spécificité et les valeurs de score F1. Calculez toutes les mesures d’évaluation dans les équations (1 à 6) utilisées pour évaluer les performances du modèle à partir des valeurs de la matrice de confusion.
      (1)
      (2)
      (3)
      (4)
      (5)
      (6)
3. Courbe ROC
   REMARQUE : La courbe ROC est une mesure de performance pour les problèmes de classification avec des paramètres de seuil différents. L’aire sous la courbe ROC (AUC) représente le degré ou la mesure de la séparabilité, tandis que la ROC est une courbe de probabilité.
   1. La courbe ROC est un graphique bidimensionnel avec les valeurs du taux de vrais positifs (TPR) et du taux de faux positifs (FPR) tracées sur les axes Y et X, respectivement. Construisez les courbes ROC à l’aide des valeurs TPR et TFR obtenues à partir de la matrice de confusion. La valeur TPR est la même que la sensibilité ; calculer la valeur FPR à l’aide de l’équation (7).
      (7)
   2. Après avoir obtenu les valeurs TPR et FPR, tracez la courbe ROC à l’aide de l’outil Web open source Jupyter Notebook dans un environnement Python. L’ASC est un moyen efficace d’évaluer la performance du modèle proposé dans l’analyse de la courbe ROC.
4. Courbe PR
   1. Utilisez la courbe PR pour évaluer les modèles en mesurant l’aire sous la courbe PR. Construisez la courbe PR en traçant la précision et le rappel des modèles à l’aide des fonctions de seuil de confiance du modèle. Étant donné que la courbe PR est également un graphique bidimensionnel, tracez Rappel sur l’axe des x et Précision sur l’axe des y.
   2. Tracez la courbe PR, comme la courbe ROC, à l’aide de l’outil Web open source Jupyter Notebook dans un environnement Python. L’aire sous le score de la courbe de précision et de rappel (ASC) est également utile dans la classification multi-étiquettes.

Résultats

Dans cette étude, des algorithmes hybrides d’apprentissage profond ont été proposés pour aider à prédire automatiquement la positivité d’un échantillon de sang avec une infection par le parasite trypanosome. Des films sanguins archivés et colorés par Giemsa ont été triés pour localiser et classer les parasitaires par rapport aux non-parasites en utilisant l’algorithme de détection d’objets basé sur un réseau neuronal de base du darknet. Dans tous les résultats de prédiction de boîtes rectangula...

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