עבודה זו (מענק מחקר לחוקר חדש, מענק מס' RGNS 65 - 212) נתמך כספית על ידי משרד המזכיר הקבוע, משרד ההשכלה הגבוהה, המדע, המחקר והחדשנות (OPS MHESI), המחקר והחדשנות המדעית של תאילנד (TSRI) והמכון הטכנולוגי של המלך מונגקוט Ladkrabang. אנו אסירי תודה למועצת המחקר הלאומית של תאילנד (NRCT) [NRCT5-RSA63001-10] על מימון פרויקט המחקר. M.K. מומן על ידי קרן המחקר והחדשנות המדעית של תאילנד אוניברסיטת צ'ולאלונגקורן. אנו מודים גם למכללה לחדשנות בייצור מתקדם, המכון הטכנולוגי של המלך מונגקוט, Ladkrabang שסיפקו את פלטפורמת הלמידה העמוקה והתוכנה לתמיכה בפרויקט המחקר.

תוכנית AI לזיהוי וסיווג טריפנוסומיאזיס

לכל המחברים אין גילויים כספיים ואין ניגודי אינטרסים.

תצפית מיקרוסקופית על זיהום פרוטוזואה טריפנוזומה היא מוקדמת ונפוצה, במיוחד במהלך מעקב באזורים מרוחקים שבהם יש מחסור בטכנאים מיומנים ותהליכים עתירי עבודה וגוזלי זמן שכולם מכשולים לדיווח על ארגון הבריאות בזמן. למרות שטכניקות ביולוגיה מולקולרית כגון אימונולוגיה ותגובת שרשרת פולימראז (PCR) א...

טריפנוסומיאזיס הוא אתגר משמעותי לבעיות בריאות עולמיות בשל מגוון מינים זואונוטיים הגורמים למחלות אנושיות עם מגוון רחב של תפוצה גיאוגרפית מחוץ ליבשות אפריקה ואמריקה, כגון דרום ודרום מזרח אסיה 1,2,3. טריפנוסומיאזיס אפריקאי אנושי (HAT) או מחלת שינה, נגרמת על ידי Trypanosoma brucei gambiense ו- T. b. rhodesiense המייצרים את הצורות הכרוניות והחריפות, בהתאמה, המייצגות את ההתפשטות העיקרית באפריקה. הטפיל הסיבתי שייך לקבוצת Salivaria עקב העברת רוק נגוע של זבובי Tsetse4. והואיל והטריפנוסומיאזיס האמריקאי הידוע (מחלת צ'אגאס) הנגרמת על ידי T. cruzi מהווה דאגה לבריאות הציבור במדינות שאינן אנדמיות; כולל קנדה, ארה"ב, אירופה, אוסטרליה ויפן, בגלל ההגירה התכופה של פרטים מאזורים אנדמיים5. זיהום טריפנוזום שייך לקבוצת Stercoraria כי זה מועבר על ידי צואה נגועה של חרקים reduviid. טריפנוסומיאזות וטריפנוזמוזות (מחלת סורה) הנגרמות על ידי זיהום T. evansi אנדמיות באפריקה, דרום אמריקה, מערב ומזרח אסיה, ומדינות דרום ודרום מזרח אסיה 3,6. למרות טריפנוסומיאזיס אנושי שנגרם על ידי טריפנוזום דווח 3,4,7,8,9,10,11,12, מסלול העברת זיהום הטפיל שנוי במחלוקת: או הדם המכני או נגוע באמצעות חרקים hematophagous כגון זבובי tsetse ו tabanids או זבובי סוסים 6,7, 8,9,10,12,13,14. לא נמצא דיווח מקרה בתאילנד, עם זאת, שכיחות גבוהה של זיהום T. evansi בכלב15, סוסי מרוץ ותאו מים באזור המזרחי פורסמה16, מה שמרמז על העברה נרכשת בין חיות בית שהתרחשה. דווח על מספר זיהומים אנושיים לא טיפוסיים הנגרמים על ידי טריפנוזומים של בעלי חיים (T. vivax, T. b. brucei, T. congolense, T. lewisi ו-T. evansi), שאינם הצורות הקלאסיות של טריפנוזומים אנושיים17. ניתן לזלזל במודעות לזיהומים אנושיים לא טיפוסיים, להדגיש את הצורך בבדיקות אבחון משופרות ובחקירות שטח לאיתור ואישור מקרים לא טיפוסיים אלה, ולאפשר בקרה וטיפול נאותים במחלות פתוגניות של בעלי חיים המשפיעות על בעלי חיים עולמיים, ביטחון תזונתי18 ובריאות האדם. הדבר הוביל לפיתוח אסטרטגיה פוטנציאלית המשולבת בשיטה משותפת קיימת (בדיקה מיקרוסקופית) לסינון מהיר של דגימות דם באזורים מרוחקים במהלך מעקב פעיל, המאפשר זיהוי של האזורים החמים להגבלה ושליטה במחלה.
שכיחות ספורדית של מחלת סורה במגוון רחב של חיות בית כגון דרומדריות, בקר, סוסים וכלבים המזכירים T. evansi אאוריקסני עשויה להיות זואונוטית לבני אדם 1,4,13,14. זיהום אנושי נראה בלתי אפשרי מכיוון שגורם טריפנוליטי בסרום אנושי, המתבטא בגן דמוי sra, מסוגל למנוע T. brucei ו- T. congolense12,19 אנושיים. יתר על כן, כפי שמוכיח דו"ח המקרה הראשון מהודו, למחלה אין קשר לחולי HIV מדוכאי חיסון4. כפי שתואר לעיל, הזיהום האנושי האפשרי עשוי להיות קשור למחסור ליפופרוטאין בצפיפות גבוהה עם תפקוד לא תקין של הגורם הליטי טריפנוזום, שהוא הפרעה גנטית אוטוזומלית רצסיבית נדירה, כלומר מחלת טנג'יר4. בשנת 2016 התגלה כי לחולה וייטנאמי יש שני אללים מסוג פראי APOL1 וריכוז APOL1 בסרום בטווח הנורמלי. עם זאת, התיאוריה של מחסור APOL-1 כבר לא נחשב תקף12. לכן, מנגנון אפשרי אחד של זיהום טריפנוזום הוא מגע ישיר של פצע עם דם בעלי חיים נגועים במהלך גידול בעלי חיים תעסוקתיים 4,12. בדיקה מיקרוסקופית מגלה כי המורפולוגיה של T. evansi היא צורה מונומורפית של הטריפומסטיגוטה, הכוללת טריפנוזום ארוך, דק, שוטון ומתחלק, הדומה למין הקרוב שלהם T. brucei 1,12,13. הגרעין נמצא במיקום המרכזי עם קינטופלסט קטן נראה לעין במצב האחורי. מחקר קודם הצביע על כך שהטפיל יכול להתקיים בשתי צורות דומות, הידועות כצורות קלאסיות וקטועות. עם זאת, עדיין יש צורך לאשר את ההשפעות הפתוגניות שלהם בהתאמה על המארחים20. מהלך הסימפטומים משתנה החל מחום לסירוגין הקשור לצמרמורות והזעה. סוראמין, למרבה המזל, הוא טיפול קו ראשון מוצלח לטריפנוסומיאזיס אפריקאי אנושי בשלב מוקדם ללא פלישה למערכת העצבים המרכזית (CNS), ריפוי חולים בהודו ובווייטנאם 4,12,21.
מלבד בדיקת סימנים קליניים, קיימות מספר שיטות אבחון לטפילים של T. evansi, כולל תצפית מיקרוסקופית פרזיטולוגית 4,9,12, סרולוגית 4,8,9,10,12, ובדיקות ביולוגיות מולקולריות 4,12. סרטים דקים המוכתמים בגימסה משמשים לעתים קרובות כדי לדמיין את הטפיל הקיים בבדיקה מיקרוסקופית, המשמשת באופן שגרתי ונפוץ22. עם זאת, נראה כי ההליך אפשרי; עם זאת, הוא גוזל זמן ודורש עבודה רבה, יש לו שונות הערכה בין-מדרגית, הוא רגיש לשלב אקוטי בלבד, ודורש חניך אישי23. הן בביולוגיה מולקולרית והן בבדיקות סרולוגיות נדרשו גם הן כוח אדם מיומן לביצוע תהליכים מרובים של הכנת דגימות, כולל חילוץ וטיהור הדגימות לפני בדיקתן עם מכשירים יקרים, דבר שקשה לתקן, סיכון לזיהום בחומרים חוץ-טפיליים ואי התאמות בתוצאות24. בהתבסס על הרציונל שתואר לעיל, יש צורך בטכנולוגיית סינון מהירה ומוקדמת כדי לתמוך במחקר המעקב בשטח ולהבטיח שתוצאות הסקר ידווחו בזמן כדי לזהות את האזור החם לשליטה נוספת בהעברת המחלה 1,8. מכשירים ממוחשבים (CAD) הוצעו כטכנולוגיה חדשנית לתחומים רפואיים, כולל משימות היסטופתולוגיות וציטופתולוגיות25. ה- CAD שהוזכר לעיל בוצע במהירות גבוהה וחושב באמצעות זיהוי דפוסים, כלומר בינה מלאכותית (AI). שיטת הבינה המלאכותית מושגת באמצעות אלגוריתמים של רשת עצבית קונבולוציונית שניתן להשתמש בהם כדי להתמודד עם מספר רב של דגימות מערכי נתונים, במיוחד גישת למידה מפוקחת המאמנת מודל מאומן היטב על צריכת נתונים.
באופן כללי, AI היא היכולת של מחשבים לפתור משימות הדורשות מודיעין מומחה, כגון תיוג נתונים. למידת מכונה (ML), תת-תחום של בינה מלאכותית, מיוצגת כמערכת מחשב עם שני תהליכים שונים המורכבים מחילוץ תכונות וזיהוי דפוסים. למידה עמוקה (DL), או אלגוריתמי ML מתקדמים, מתייחסת לפיתוח של תוכניות ומכשירים ממוחשבים המשווים ביצועים דמויי אדם עם רמות דיוק גבוהות ושוות לאלה שהושגו על ידי אנשי מקצוע אנושיים26. כיום, תפקידה של DL בתחומים רפואיים ווטרינריים מרחיב ומחולל מהפכה מבטיחה במניעת מחלות מידבקות במטרה למנוע אותה לאחרונה ולהדריך אותה לצוות בריאות פרטני22,27. יישום DL פוטנציאלי הוא בלתי מוגבל עם תוויות איכות ומספר רב של ערכות נתונים מוגברת, מה שמשחרר מומחים לנהל את משימת הפרויקט. באופן ספציפי, התקדמות בתמונה הדיגיטלית יחד עם ניתוח בעזרת מחשב, שיפרו את האבחון והסינון האוטומטיים בחמש קטגוריות של פתולוגיה שדווחו; כולל סטטי, דינמי, רובוטי, הדמיית שקופיות שלמות ושיטות היברידיות28. יש לקחת בחשבון כי שילוב של גישות אלגוריתם DL ונתוני תמונה דיגיטליים יכול לעודד צוות מקומי להשתמש בטכנולוגיה בפרקטיקות היומיומיות שלהם.
בעבר, העלייה בדיוק החיזוי של שימוש במודל היברידי הוכחה27. כדי לזהות את טפיל הטריפנוזום בתמונות מיקרוסקופיות, מחקר זה מציג שני מודלים היברידיים, המשלבים את האלגוריתמים YOLOv4-tiny (זיהוי אובייקטים) ו- Densenet201 (סיווג אובייקטים). מבין מספר מודלי זיהוי, YOLOv4-tiny עם עמוד שדרה CSPDarknet53 הראה ביצועים גבוהים כתוצאת חיזוי במונחים של לוקליזציה וסיווג29. מכיוון שהגלאי בזמן אמת שינה את האיזון האופטימלי בין רזולוציית רשת הקלט, כמות שכבת הקונבולוציה, הפרמטר הכולל ומספר יציאות השכבה, הוא שיפר את תעדוף מהירויות ההפעלה המהירות ואופטימיזציה לחישובים מקביליים בהשוואה לגרסאות קודמות. רשת קונבולוציונית צפופה (DenseNet) היא מודל פופולרי נוסף שמשיג תוצאות עדכניות במערכי נתונים תחרותיים. DenseNet201 הניב שגיאת אימות דומה לזו של ResNet101; עם זאת, ל- DenseNet201 יש פחות מ- 20 מיליון פרמטרים, שזה פחות מ- ResNet101 של יותר מ -40 מיליון פרמטרים30. לכן, מודל DenseNet יכול לשפר את דיוק החיזוי עם מספר גדל והולך של פרמטרים ללא סימן של התאמת יתר. כאן, תוכנית בינה מלאכותית (AI) משתמשת באלגוריתם למידה עמוקה היברידי עם עמוד שדרה של רשת עצבית לזיהוי וסיווג עמוק על פלטפורמת CiRA CORE הפנימית. התוכנה שפותחה יכולה לזהות ולסווג את מיני הטריפנוזומים הפרוטוזואניים, כלומר Trypanosoma cruzi, T. brucei ו - T. evansi, מתמונות מיקרוסקופיות של טבילת שמן. לטכנולוגיה זו יש פוטנציאל לחולל מהפכה במעקב ובקרה אחר מחלות על ידי מתן שיטת סינון מהירה, אוטומטית ומדויקת. זה יכול לסייע לצוות המקומי לקבל החלטות מושכלות יותר על אסטרטגיות חסימת שידור עבור מחלת פרוטוזואן טפילית.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Darknet19, Darknet53 and Densenet201</td>
			<td>Gao Huang, Z. L., Laurens van der Maaten. Densely Connected Convolutional Networks. arXiv:1608.06993 [cs.CV]. (2016)</td>
			<td>https://github.com/liuzhuang13/DenseNet&#160;</td>
			<td>Deep convolutional neural network model that can function to&#160; classification 
			Generic name: YOLO model/ detection model?</td>
		</tr>
		<tr>
			<td>Olympus CX31 Model CX31RRBSFA</td>
			<td>&#160;Olympus, Tokyo, Japan</td>
			<td>SN 4G42178&#160;</td>
			<td>A light microscope&#160;</td>
		</tr>
		<tr>
			<td>Olympus DP21-SAL U-TV0.5XC-3</td>
			<td>&#160;Olympus, Tokyo, Japan</td>
			<td>SN 3D03838</td>
			<td>A digital camera 
			Generic name: Classification models/ densely CNNs</td>
		</tr>
		<tr>
			<td>Window 10</td>
			<td>Microsoft</td>
			<td>Window 10</td>
			<td>Operation system in computers</td>
		</tr>
		<tr>
			<td>YOLO v4-tiny&#160;</td>
			<td>Naing, K. M. et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Comput Sci. 8 e1065, (2022).</td>
			<td>https://git.cira-lab.com/users/sign_in</td>
			<td>Deep convolutional neural network model that can function to both localization and also classification&#160;</td>
		</tr>
		<tr>
			<td></td>
			<td></td>
			<td>https://git.cira-lab.com/users/sign_in</td>
			<td></td>
		</tr>
	</tbody>
</table>

superior auto-identification of trypanosome parasites by using a hybrid deep-learning model

טריפנוסומיאזיס היא בעיה משמעותית בבריאות הציבור במספר אזורים ברחבי העולם, כולל דרום אסיה ודרום מזרח אסיה. זיהוי אזורים חמים תחת מעקב פעיל הוא הליך בסיסי לשליטה בהעברת מחלות. בדיקה מיקרוסקופית היא שיטת אבחון נפוצה. עם זאת, היא מסתמכת בעיקר על כוח אדם מיומן ומנוסה. כדי להתמודד עם בעיה זו, הוצגה תוכנית בינה מלאכותית (AI) העושה שימוש בטכניקת למידה עמוקה היברידית של זיהוי אובייקטים וסיווג אובייקטים עמוד השדרה של הרשת העצבית על פלטפורמת AI עם קידוד מועט (CiRA CORE). התוכנה יכולה לזהות ולסווג את מיני הטריפנוזומים הפרוטוזואים, כלומר Trypanosoma cruzi, T. brucei ו - T. evansi, מתמונות מיקרוסקופיות של טבילת שמן. תוכנית הבינה המלאכותית משתמשת בזיהוי תבניות כדי לצפות ולנתח פרוטוזואה מרובים בתוך דגימת דם אחת ומדגישה את הגרעין והקינטופלסט של כל טפיל כתכונות אופייניות ספציפיות באמצעות מפת קשב.
כדי להעריך את ביצועי תוכנית הבינה המלאכותית, נוצרים שני מודולים ייחודיים המספקים מגוון מדדים סטטיסטיים כגון דיוק, היזכרות, ספציפיות, דיוק, ציון F1, שיעור סיווג שגוי, עקומות מאפייני הפעלה של מקלט (ROC) ועקומות דיוק לעומת אחזור (PR). ממצאי ההערכה מראים כי אלגוריתם הבינה המלאכותית יעיל בזיהוי וסיווג טפילים. על ידי אספקת כלי סינון מהיר, אוטומטי ומדויק, לטכנולוגיה זו יש פוטנציאל לשנות את המעקב והבקרה אחר מחלות. זה יכול גם לסייע לפקידים מקומיים לקבל החלטות מושכלות יותר על אסטרטגיות חסימת מחלות.

Trypanosomiasis is a significant challenge to global health issues due to a variety of zoonotic species causing human disease with a wide range of geographical distribution outside the African and American continents, such as South and Southeast Asia1,2,3. Human African trypanosomiasis (HAT) or sleeping sickness, is caused by Trypanosoma brucei gambiense and T. b. rhodesiense which produce the chronic and acute forms, respectively, representing the major spread in Africa. The causative parasite belongs to the Salivaria group due to the transmission by infected saliva of Tsetse flies4. Whereas, the well-known American trypanosomiasis (Chagas&#39;s disease) caused by T. cruzi has been a public health concern for non-endemic countries; including Canada, the USA, Europe, Australia, and Japan, because of the frequent migration of individuals from endemic areas5. The trypanosome infection belongs to the Stercoraria group because it is transmitted by the infected feces of reduviid bugs. The trypanosomiases and trypanosomoses (Surra disease) caused by the T. evansi infection are endemic in Africa, South America, Western and Eastern Asia, and South and Southeast Asian countries3,6. Although human trypanosomiasis caused by the trypanosome has been reported3,4,7,8,9,10,11,12, the route of transmission of the parasite infection is debated: either the mechanical or infected blood through hematophagous insects such as tsetse flies and tabanids or horse flies6,7,8,9,10,12,13,14. No case report has been found in Thailand, however, a high prevalence of the T. evansi infection in dog15, racing horses, and water buffalo in the eastern region has been published16, suggesting an acquired transmission between domestic animals would have occurred. Several atypical human infections caused by animal trypanosomes (T. vivax, T. b. brucei, T. congolense, T. lewisi, and T. evansi) were reported, which are not the classical forms of human trypanosomes17. Awareness about atypical human infections might be underestimated, highlighting the need for improved diagnostic tests and field investigations for detection and confirmation of these atypical cases, and allowing for proper control and treatment of animal pathogenic diseases that affect global livestock, food security18, and human healthcare. This led to the development of a potential strategy integrated with an existing common method (microscopic examination) to rapidly screen blood samples in remote areas during active surveillance, enabling the identification of the hotspot zones for restricting and controlling the disease.
Having a sporadic incidence of the Surra disease in a wide range of domestic animals such as dromedaries, cattle, equines, and dogs that evoke a euryxenous T. evansi may be zoonotic to humans1,4,13,14. Human infection seems impossible because a trypanolytic factor in human serum, expressed from a sra-like gene, is capable of preventing human T. brucei and T. congolense12,19. Furthermore, as the first case report from India demonstrates, the illness has no association with immunocompromised HIV patients4. As described above, the possible human infection may be related to a high-density lipoprotein deficiency with abnormal function of the trypanosome lytic factor, which is a rare autosomal recessive genetic disorder, namely Tangier disease4. In 2016, a Vietnamese patient was discovered to possess two wild-type APOL1 alleles and a serum APOL1 concentration within the normal range. However, the theory of APOL-1 deficiency is no longer considered valid12. Therefore, one possible mechanism of trypanosome infection is direct contact of a wound with infected animal blood during occupational animal farming4,12. Microscopic examination reveals that T. evansi morphology is a monomorphic form of the trypomastigote including a predominant long slender, flagellated, and dividing trypanosome which is similar to their relative species of T. brucei1,12,13. The nucleus is in the central position with a visible small kinetoplast in the posterior position. A previous study indicated that the parasite can exist in two comparable forms, known as the classical and truncated forms. However, it remains necessary to confirm their respective pathogenic effects on hosts20. The course of symptoms varies ranging from intermittent fever associated with chills and sweating. Suramin, fortunately, is a successful first-line therapy for early-stage human African trypanosomiasis with no invasion of the central nervous system (CNS), healing patients in India and Vietnam4,12,21.
Except for clinical sign examination, several diagnostic methods for T. evansi parasites exist, including parasitological microscopic observation4,9,12, serological4,8,9,10,12, and molecular biological tests4,12. Thin-blood films stained with Giemsa are often used to visualize the parasite present under microscopic examination, which is routinely and commonly used22. However, the procedure appears to be feasible; nonetheless, it is time-consuming and labor-intensive, has inter-rater assessment variability, is sensitive to only an acute phase, and requires a personal trainee23. Both molecular biology and serological testing also needed highly skilled personnel to perform multiple processes of sample preparation, including extracting and purifying the samples before testing them with expensive apparatus, which is difficult to standardize, risk of contamination with extra-parasitic materials, and discrepancies in results24. Based on the rationale described above, rapid and early screening technology is needed to support the field surveillance study and ensure that the survey result is reported in a timely manner to identify the hotspot zone for further control of the disease transmission1,8. Computerized-based devices (CAD) have been proposed as an innovative technology for medical fields, including histopathological and cytopathological tasks25. The CAD mentioned above was performed at high speed and computed using pattern recognition, namely, artificial intelligence (AI). The AI method is accomplished using convolutional neural network algorithms that can be used to deal with a large number of dataset samples, especially, a supervised learning approach that trains a well-trained model upon data consumption.
In general, AI is the ability of computers to solve tasks that require expert intelligence, such as data labeling. Machine learning (ML), a subfield of AI, is represented as a computer system with two different processes comprised of feature extraction and pattern recognition. Deep learning (DL), or advanced ML algorithms, refers to the development of computerized programs and devices comparing human-like performance with levels of accuracy greater and equal to that accomplished by human professionals26. Currently, the role of DL in medical and veterinary fields is promisingly expanding and revolutionizing communicable disease prevention with the aim of recent prevention and guiding it to individual health staff22,27. The potential DL application is limitless with quality labels and a large number of augmented datasets, freeing specialists to manage the project task. Specifically, an advance in the digital image along with computer-assisted analysis, improved the automatic diagnostic and screening in five categories of pathology reported; including static, dynamic, robotic, whole slide imaging, and hybrid methods28. It is necessary to consider that the integration of DL algorithm approaches and digital image data could encourage local staff to utilize the technology in their daily practices.
Previously, the increase in prediction accuracy of using a hybrid model had been proven27. To identify the trypanosome parasite in microscopic images, this research presents two hybrid models, incorporating the YOLOv4-tiny (object detection) and Densenet201 (object classification) algorithms. Among several detection models, YOLOv4-tiny with a CSPDarknet53 backbone showed high performance as a prediction result in terms of localization and classification29. Since the real-time detector has modified the optimal balance among the input network resolution, the amount of the convolutional layer, the total parameter, and the number of layer outputs, it has improved prioritizing fast operating speeds and optimizing for parallel computations when compared to previous versions. Dense Convolutional Network (DenseNet) is another popular model that achieves state-of-the-art results across competitive datasets. DenseNet201 yielded a similar validation error comparable to that of ResNet101; however, DenseNet201 has fewer than 20 million parameters, which is less than ResNet101&#39;s more than 40 million parameters30. Therefore, the DenseNet model could improve prediction accuracy with an increasing number of parameters with no sign of overfitting. Here, an artificial intelligence (AI) program utilizes a hybrid deep learning algorithm with deep detection- and classification neural network backbones on the in-house CiRA CORE platform. The developed program can identify and classify the protozoan trypanosome species, namely Trypanosoma cruzi, T. brucei, and T. evansi, from oil-immersion microscopic images. This technology has the potential to revolutionize disease surveillance and control by providing a rapid, automated, and accurate screening method. It could aid local staff in making more informed decisions on transmission-blocking strategies for parasitic protozoan disease.

מחבר זרקור: זיהוי מיני טריפנוזום מבוסס בינה מלאכותית מתמונות מיקרוסקופיות 

זיהוי אוטומטי מעולה של טפילי טריפנוזום באמצעות מודל היברידי של למידה עמוקה

The goal of the research is to develop an artificial intelligence AI model that makes use of a hybrid deep learning technique of object detection and classification backbones for defining the protozoa trypanosome specie, namely trypanosoma cruzi, T.brucei, and T.evansi, from oil immersion, microscopic images on the in-house, low-code AI platform CiRA CORE. The most recent development in our field of research is the development of the learning algorithms that can identify and classify trypanosome species from microscopic images. This program has the potential to revolutionize the surveillance and control by providing a rapid automated and accurate screening method that can be used by local staff in remote areas.Using the modified and hybrid algorithms between two different deep learning models within the purpose AI program can overcome many challenges. Identification of shared morphology, mixed and immature infection, and precise species characterization enables automatic standard taxonomy.

במחקר זה, אלגוריתמים היברידיים של למידה עמוקה הוצעו כדי לסייע בחיזוי אוטומטי של החיוביות של דגימת דם עם זיהום טפיל טריפנוזומים. סרטי דם מוכתמים בארכיון של Giemsa מוינו כדי למקם ולסווג את הטפילים לעומת הלא טפילים באמצעות אלגוריתם זיהוי אובייקטים המבוסס על רשת עצבית בעמוד השדרה של הרשת האפלה. ...

Watch this Scientific Journal Video about AI-Driven Trypanosome Species Detection from Microscopic Images at JoVE.com

טפילי דם רפואיים ברחבי העולם נבדקו באופן אוטומטי באמצעות צעדים פשוטים על פלטפורמת AI עם קידוד מועט. האבחנה הפרוספקטיבית של שכבות דם שופרה על ידי שימוש בשיטת זיהוי וסיווג אובייקטים במודל היברידי של למידה עמוקה. שיתוף הפעולה של ניטור פעיל ומודלים מאומנים היטב מסייע לזהות נקודות חמות של העברת טריפנוזומים.

Trypanosomiasis is a significant public health problem in several regions across the world, including South Asia and Southeast Asia. The identification of ...

מטרת המחקר היא לפתח מודל בינה מלאכותית AI שעושה שימוש בטכניקת למידה עמוקה היברידית של זיהוי וסיווג אובייקטים להגדרת דגימת הפרוטוזואה טריפנוזום, כלומר טריפנוזומה קרוזי, T.brucei ו- T.evansi, מטבילה בשמן, תמונות מיקרוסקופיות על פלטפורמת הבינה המלאכותית CiRA CORE. הפיתוח האחרון בתחום המחקר שלנו הוא פיתוח אלגוריתמים לומדים שיכולים לזהות ולסווג מיני טריפנוזום מתמונות מיקרוסקופיות. לתוכנית זו יש פוטנציאל לחולל מהפכה במעקב ובבקרה על ידי מתן שיטת סינון מהירה, אוטומטית ומדויקת שיכולה לשמש את הצוות המקומי באזורים מרוחקים.שימוש באלגוריתמים המותאמים וההיברידיים בין שני מודלים שונים של למידה עמוקה במסגרת תוכנית AI למטרה יכול להתגבר על אתגרים רבים. זיהוי מורפולוגיה משותפת, זיהום מעורב ולא בשל ואפיון מדויק של מינים מאפשר טקסונומיה סטנדרטית אוטומטית.

superior-auto-identification-trypanosome-parasites-using-hybrid-deep

Research

JoVE Journal

Bioengineering

Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model

891 Views.  King Mongkut’s Institute of Technology Ladkrabang. מטרת המחקר היא לפתח מודל בינה מלאכותית AI שעושה שימוש בטכניקת למידה עמוקה היברידית של זיהוי וסיווג אובייקטים להגדרת דגימת הפרוטוזואה טריפנוזום, כלומר טריפנוזומה קרוזי, T.brucei ו- T.evansi, מטבילה בשמן, תמונות מיקרוסקופיות על פלטפורמת הבינה המלאכותית CiRA CORE. הפיתוח האחרון בתחום המח...

Video: מחבר זרקור: זיהוי מיני טריפנוזום מבוסס בינה מלאכותית מתמונות מיקרוסקופיות 

Trypanosomiasis is a significant public health problem in several regions across the world, including South Asia and Southeast Asia. The identification of hotspot areas under active surveillance is a fundamental procedure for controlling disease transmission. Microscopic examination is a commonly used diagnostic method. It is, nevertheless, primarily reliant on skilled and experienced personnel. To address this issue, an artificial intelligence (AI) program was introduced that makes use of a hybrid deep learning technique of object identification and object classification neural network backbones on the in-house low-code AI platform (CiRA CORE). The program can identify and classify the protozoan trypanosome species, namely Trypanosoma cruzi, T. brucei, and T. evansi, from oil-immersion microscopic images. The AI program utilizes pattern recognition to observe and analyze multiple protozoa within a single blood sample and highlights the nucleus and kinetoplast of each parasite as specific characteristic features using an attention map.
To assess the AI program&#39;s performance, two unique modules are created that provide a variety of statistical measures such as accuracy, recall, specificity, precision, F1 score, misclassification rate, receiver operating characteristics (ROC) curves, and precision versus recall (PR) curves. The assessment findings show that the AI algorithm is effective at identifying and categorizing parasites. By delivering a speedy, automated, and accurate screening tool, this technology has the potential to transform disease surveillance and control. It could also assist local officials in making more informed decisions on disease transmission-blocking strategies.

Worldwide medical blood parasites were automatically screened using simple steps on a low-code AI platform. The prospective diagnosis of blood films was improved by using an object detection and classification method in a hybrid deep learning model. The collaboration of active monitoring and well-trained models helps to identify hotspots of trypanosome transmission.

Training Process CiRA CORE Platform and Object Detection Model Evaluation to Identify and Classify the Protozoan Trypanosome Species

To begin, move the deep train function from the general toolbar onto the screen to initiate data labeling and training. Click on the load images button within the deep train tool settings and navigate to the directory containing the images to import and label images. Then click and hold the left mouse button to label the objects and assign names to the selected objects.Click save GT to save a dot GT file in the same directory. Before starting the model training, click the gen setting button to access data augmentation features. Utilize four types of augmentations, namely rotation, contrast, noise, and blur to enrich the dataset.To begin the model training, click on the training button located within the deep train tool. In the generate training files function, choose the models, batch size, and subdivisions. Click the generate button to generate data and save it in the directory.After configuring all settings, click the train button to initiate the model training. The program will automatically execute and adjust the dataset weight while it assesses the training loss. Upon achieving optimal loss, click the export button and save the weight file in the directory.To proceed with object detection model evaluation, select evaluate in the plugin toolbar and move the eval detect function onto the screen. Afterward, click on the setting button. Wait for the three functions, detection, evaluate, and plot to appear.To start the model evaluation, click the load config button and import the trained wait file from the directory. To import test images from the image file directory, click the browse button. Then click on the load GT button to import the GT file.Next, click the evaluation button to assess the detection model in the directory. Upon completion, the results will be automatically saved as a CSV file in the same directory, sorted by class name, containing key parameters, such as true positive, false positive, false negative, recall, and precision for each class. To generate the precision recall or PR curve, navigate to the plot function.Click on browse to import the CSV files from the directory. Select the desired classes from the list and click the plot button to visualize the PR curve. Click on the save button to save an image with AUC values of the PR curve in the required image format at the selected directory.To select the image classification model training function, navigate to the image toolbar, select deep classif, and move classif train onto the screen. To import images for training, click on the open folder button within the classif train tool settings and navigate to the directory containing the images. Before training, enrich the dataset by clicking on the augmentation button and applying techniques such as rotation, contrast, flipping, noise, and blur.To initiate the model training process, click the gen train button within the classif train tool. Under gen train, select the desired models, batch size, and subdivisions. Assign a directory to save the generated data and click the generate button.Once all configurations are complete, click on the start button. The program will run continuously, assessing the training loss, and adjusting the weight of the dataset as needed. Upon achieving the desired loss level, click the export button and store the weight file in the specified directory.

תהליך הדרכה: פלטפורמת CiRA CORE והערכת מודל זיהוי עצמים לזיהוי וסיווג מיני הטריפנוזום הפרוטוזואן

Image Classification as Model Training and Model Evaluation to Identify and Classify the Protozoan Trypanosome Species

To begin, navigate to the plugin toolbar. Then drag and drop the EvaluateClassif function onto the screen. Click on the evaluate button located within the EvaluateClassif tool.Click the load folder image button to import test images, and load config to import the trained weight file from the directory. Then click the start button to evaluate the classification model. After evaluation, click the export to CSV button to save the results as a CSV file in the directory.To evaluate data at every threshold, click on the start all threshold to save the CSV file in the directory with class names, including parameters such as recall, true positive rate, false positive rate, and precision for each class. To plot the receiver operating characteristics curve, click on the plot ROC button located within the EvaluateClassif tool. Click on the browse button and import the CSV files from the directory.Inspect the imported class list and select each class label to plot the ROC curve. Next, to visualize the ROC curve, click on the plot button. Make any desired adjustments to the image properties, such as font size, font colors, rounding decimals, line styles, and line colors.Finally, click the save button to save the ROC curve image with the AUC values in the required image format in the directory.

סיווג תמונה כאימון מודל והערכת מודל לזיהוי וסיווג מיני הטריפנוזום הפרוטוזואן

Hybrid (Detection and Classification) as Model Testing to Identify and Classify the Protozoan Trypanosome Species

To begin, navigate to the general toolbar, click on Button Run, then click Debug to start the hybrid testing model. Next, move to the image toolbar, choose Acquisition and select Image Slide. Go to Deep Composite and click on Deep D-C.Before beginning the testing phase for the images, click on the setting option available in the image slide tool and import the test images. Then click the setting option in the deep D-C tool to import the two saved trained weight files. For the Detect function, click on the Config button, plus button, and select the backend CUDA or CPU.Provide a name and click OK.Select the weight file directory and click Choose. For the Classif function, click the Config button, followed by the plus button, and then select the backend. Provide a name and click OK.After this, select the directory for the weight file and click Choose.To view the test image results, click on the image function available in the Debug tool. Lastly, to evaluate the predicted results for each image, click on the Run button found in the Button Run tool.