ハイブリッド深層学習モデルを用いたトリパノソーマ寄生虫の優れた自動同定

要約

世界中の医療用血液寄生虫が、ローコードAIプラットフォーム上で簡単な手順で自動的にスクリーニングされました。血液膜の前向き診断は、ハイブリッド深層学習モデルにおける物体検出および分類手法を使用することによって改善されました。アクティブモニタリングと十分に訓練されたモデルのコラボレーションは、トリパノソーマ伝達のホットスポットを特定するのに役立ちます。

要約

トリパノソーマ症は、南アジアや東南アジアなど、世界のいくつかの地域で重大な公衆衛生上の問題となっています。積極的なサーベイランス下にあるホットスポット地域の特定は、病気の伝播を制御するための基本的な手順です。顕微鏡検査は、一般的に使用される診断方法です。それにもかかわらず、それは主に熟練した経験豊富な人材に依存しています。そこで、社内のローコードAIプラットフォーム(CiRA CORE)上で、物体識別と物体分類ニューラルネットワークバックボーンのハイブリッド深層学習技術を活用した人工知能(AI)プログラムを導入しました。このプログラムでは、トリパノソーマ原生生物( Trypanosoma cruzi、 T. brucei、T. evansi)を油浸顕微鏡画像から同定し、分類することができます。AIプログラムは、パターン認識を利用して、1つの血液サンプル内の複数の原生動物を観察および分析し、アテンションマップを使用して、各寄生虫の核と動態形成体を特定の特徴として強調表示します。

AIプログラムのパフォーマンスを評価するために、精度、再現率、特異性、精度、F1スコア、誤分類率、受信者動作特性(ROC)曲線、精度対再現率(PR)曲線など、さまざまな統計的尺度を提供する2つの独自のモジュールが作成されます。評価結果は、AIアルゴリズムが寄生虫の特定と分類に有効であることを示しています。この技術は、迅速で自動化された正確なスクリーニングツールを提供することで、疾病の監視と管理を変革する可能性を秘めています。また、地方当局が病気の伝播を阻止する戦略について、より多くの情報に基づいた決定を下すのにも役立ちます。

概要

トリパノソーマ症は、南アジアや東南アジアなど、アフリカ大陸やアメリカ大陸以外の地域に広く分布するさまざまな人獣共通感染症種がヒトの病気を引き起こすため、世界的な健康問題に対する重大な課題です^1,2,3。ヒトアフリカトリパノソーマ症(HAT)または睡眠病は、トリパノソーマ・ブルーセイ・ガンビエンセとT.b.ロデシエンセによって引き起こされ、それぞれ慢性型と急性型を産生し、アフリカでの主要な蔓延を表しています。原因となる寄生虫は、ツェ^ツェバエの感染した唾液による感染により、サリバリアグループに属します4。一方、T. cruziによって引き起こされるよく知られたアメリカのトリパノソーマ症(シャーガス病)は、非流行国の公衆衛生上の懸念事項となっています。カナダ、アメリカ、ヨーロッパ、オーストラリア、日本など、^{流行地域からの}個体の頻繁な移動が原因です5。トリパノソーマ感染症は、感染したレデュビイド虫の糞便によって伝染するため、ステルコラリアグループに属します。T. evansi感染によって引き起こされるトリパノソーマーゼおよびトリパノソーマ症(Surra病)は、アフリカ、南アメリカ、西アジアおよび東アジア、南アジアおよび東南アジア諸国で流行しています^3,6。トリパノソーマによって引き起こされるヒトトリパノソーマ症が報告されていますが^{3,4,7,8,9,10,11,12}、寄生虫感染の伝播経路は議論されています:ツェツェバエやタバニドなどの血食性昆虫またはアブ^6,7、 8,9,10,12,13,14。タイでは症例報告は見つかっていないが、東部地域ではイヌ¹⁵、競走馬、水牛でT. evansi感染の有病率が高いことが報告されており¹⁶、家畜間での後天性感染が示唆されている。動物のトリパノソーマ(三日熱三日熱菌、T. b. brucei、T. congolense、T. lewisi、T. evansi)によって引き起こされるいくつかの非定型ヒト感染が報告されているが、これらはヒトトリパノソーマの古典的な形態ではない¹⁷。非定型ヒト感染症に関する認識は過小評価されている可能性があり、これらの非定型症例の検出と確認のための改善された診断検査と現地調査の必要性が強調され、世界の家畜、食料安全保障¹⁸、および人間の医療に影響を与える動物の病原性疾患の適切な管理と治療を可能にする必要があります。これにより、既存の一般的な方法(顕微鏡検査)と統合された潜在的な戦略が開発され、積極的なサーベイランス中に遠隔地の血液サンプルを迅速にスクリーニングし、疾患を制限および制御するためのホットスポットゾーンの特定が可能になりました。

ヒトコブラクダ、ウシ、ウマ、イヌなどの広範囲の家畜で、ユリクセン性のT.エバンシを想起させるスラ病が散発的に発生すると、ヒトに人獣共通感染症が発生する可能性があります^1,4,13,14。ヒト血清中のトリパノ溶解因子は、sra様遺伝子から発現し、ヒトT. bruceiおよびT. congolenseを予防することができるため、ヒトへの感染は不可能であるように思われる^12,19。さらに、インドでの最初の症例報告が示すように、この病気は免疫不全のHIV患者とは無関係である⁴。上述したように、ヒトへの感染の可能性は、まれな常染色体劣性遺伝性疾患であるトリパノソーマ溶解因子の異常な機能を伴う高密度リポタンパク質欠乏症、すなわちタンジー^{ル病に関連して}いる可能性がある4。2016年、ベトナム人患者が2つの野生型APOL1対立遺伝子を持ち、血清APOL1濃度が正常範囲内であることが判明しました。しかし、APOL-1欠損症の理論はもはや有効とは見なされていない¹²。したがって、トリパノソーマ感染のメカニズムの1つとして考えられるのは、職業畜産中に傷口と感染した動物の血液が直接接触することである^4,12。顕微鏡検査により、T. evansi の形態は、T. brucei の近縁種に類似した、優勢な細長い、鞭毛状で分裂するトリパノソーマを含む、トリポマスティゴテの単型型であることが明らかになりました ^1,12,13。核は中央位置にあり、後位置には目に見える小さなキネトプラストがあります。以前の研究では、寄生虫は古典型と切断型として知られる2つの同等の形態で存在できることが示されました。しかしながら、宿主²⁰に対するそれらのそれぞれの病原性影響を確認することは依然として必要である。症状の経過は、悪寒や発汗に伴う断続的な発熱などさまざまです。幸いなことに、スラミンは、中枢神経系(CNS)への浸潤を伴わない初期段階のヒトアフリカトリパノソーマ症の第一選択治療として成功し、インドとベトナムの患者を治癒しています^4,12,21。

T. evansi寄生虫の診断方法は、臨床徴候検査以外にも、寄生虫顕微鏡観察^4,9,12、血^{清学的観察4,8,9,10,12}、分子^{生物学的検査4,12}など、いくつかの方法が存在する.ギムザで染色された薄血膜は、顕微鏡検査で存在する寄生虫を視覚化するためによく使用され、これは日常的かつ一般的に使用されています²²。ただし、この手順は実行可能であるようです。それにもかかわらず、それは時間と労働集約的であり、評価者間の評価のばらつきがあり、急性期にのみ敏感であり、個人的な研修生^{を必要とします23}。また、分子生物学検査と血清学的検査の両方で、標準化が困難な高価な装置で検査する前にサンプルを抽出および精製するなど、サンプル調製の複数のプロセスを実行するために高度なスキルを持つ人員が必要でした²⁴.上記の理論的根拠に基づいて、フィールドサーベイランス研究をサポートし、調査結果がタイムリーに報告され、^{病気の伝播}をさらに制御するためのホットスポットゾーンを特定するために、迅速で早期のスクリーニング技術が必要です^1,8。コンピュータ化されたデバイス(CAD)は、病理組織学的および細胞病理学的タスクを含む医療分野の革新的な技術として提案されています²⁵。前述したCADを高速に実行し、パターン認識、すなわち人工知能(AI)を用いて計算しました。AI手法は、多数のデータセットサンプル、特にデータ消費時によく訓練されたモデルをトレーニングする教師あり学習アプローチを処理するために使用できる畳み込みニューラルネットワークアルゴリズムを使用して実現されます。

一般に、AIは、データのラベリングなど、専門的な知性を必要とするタスクを解決するコンピューターの能力です。AIのサブフィールドである機械学習(ML)は、特徴抽出とパターン認識で構成される2つの異なるプロセスを持つコンピューターシステムとして表されます。ディープラーニング(DL)、または高度なMLアルゴリズムとは、人間のようなパフォーマンスと、人間の専門家が達成する以上の精度レベルを比較するコンピューター化されたプログラムやデバイスの開発を指します²⁶。現在、医療および獣医学分野におけるDLの役割は、最近の予防を目指し、それを個々の医療スタッフに導くことを目的として、伝染病予防を有望に拡大し、革命を起こしています^22,27。DLの用途は、品質ラベルと多数の拡張データセットにより無限に広がり、専門家はプロジェクトタスクの管理に専念できます。具体的には、デジタル画像の進歩とコンピューター支援分析により、報告された病理学の5つのカテゴリで自動診断とスクリーニングが改善されました。静的、動的、ロボット、ホールスライドイメージング、およびハイブリッド方法を含む²⁸.DLアルゴリズムのアプローチとデジタル画像データを統合することで、現地スタッフの日常業務での活用が促進されることを考慮する必要があります。

従来、ハイブリッドモデルを用いた場合の予測精度の向上は証明されていた²⁷。本研究では、顕微鏡画像からトリパノソーマ寄生虫を同定するために、YOLOv4-tiny(物体検出)アルゴリズムとDensenet201(物体分類)アルゴリズムを組み込んだ2つのハイブリッドモデルを提示します。いくつかの検出モデルの中で、CSPDarknet53バックボーンを持つYOLOv4-tinyは、局在化と分類の点で予測結果として高い性能を示した²⁹。リアルタイム検出器は、入力ネットワークの解像度、畳み込み層の量、合計パラメータ、および層出力数の最適なバランスを変更したため、以前のバージョンと比較して、高速動作の優先順位付けと並列計算の最適化が向上しました。Dense Convolutional Network (DenseNet) は、競合データセット全体で最先端の結果を達成するもう 1 つの一般的なモデルです。DenseNet201 では、ResNet101 に匹敵する同様の検証エラーが発生しました。しかし、DenseNet201のパラメータは2,000万個未満であり、ResNet101の4,000万個以上のパラメータ³⁰よりも少ない。したがって、DenseNetモデルは、過学習の兆候のないパラメータの数を増やすことで、予測精度を向上させることができます。ここでは、人工知能(AI)プログラムが、社内のCiRA COREプラットフォーム上で、深層検出および分類ニューラルネットワークバックボーンを備えたハイブリッド深層学習アルゴリズムを利用します。開発したプログラムは、トリパノソーマ原生生物種( Trypanosoma cruzi、 T. brucei、T. evansi)を油浸顕微鏡画像から同定し、分類することができます。この技術は、迅速で自動化された正確なスクリーニング方法を提供することで、疾病の監視と管理に革命をもたらす可能性を秘めています。これは、寄生虫原虫病の伝播遮断戦略について、現地スタッフがより多くの情報に基づいた決定を下すのに役立つ可能性があります。

プロトコル

アーカイブされた血液フィルムとプロジェクトデザインは、チュラロンコン大学獣医学部の施設バイオセーフティ委員会、動物管理および使用委員会(IBC No.2031033およびIACUC第1931027号)、およびモンクット王工科大学ラカバン校のヒト研究倫理委員会(EC-KMITL_66_014)によって承認されました。

1.RAW画像の準備

1. 画像データセットの準備
   1. 寄生虫学者の専門家によって確認された、T. brucei、T. cruzi、T. evansi など、血液寄生虫感染症の陽性スライドを少なくとも 13 枚入手する。13 枚のスライドをトレーニング (10 枚) とテスト用 (3 枚) に分けます。
   2. デジタルカメラで光学顕微鏡の油浸場下で、上記のギムザ染色薄膜の画像を取得します。顕微鏡検査で3つの寄生虫種すべてのトリポマスティゴットの複数のオブジェクトを含む画像を取得します。細い形、長い尾、波打つ膜、前端のキネトプラストを探します。
      注:厚い塗抹標本と薄い塗抹標本の両方を作成すると、急性期トリパノソーマ症の検出が強化されます³¹。指刺しによる採血は^WHO32によって推奨されています。それにもかかわらず、Trypanosoma cruziや他の種は厚い膜では歪む傾向があるため、薄膜は Trypanosoma cruzi や他の種の識別においてより効果的である³³。このことから、本研究では、寄生虫の適切な形態を維持するために、薄い血液膜画像を用いた。
   3. すべての画像は、1,600 x 1,200 ピクセル、24 ビット深度、JPG ファイル形式の寄生虫固有のフォルダーに保存します。画像をトレーニング セットとテスト セットに ~6:1 の比率で分割します。
      注: https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip を参照してください。650枚の画像をトレーニングモデル(560枚)とテストモデル(90枚)に分割しました。
   4. 関心領域を、トリパノソーマと非トリパノソーマの 2 つのクラスの長方形のラベルとして定義します。自動トリミング モジュールを使用して、適切にトレーニングされたオブジェクト検出モデルを使用して、検出されたすべての画像をトリミングします。オートクロップモジュールは、CiRA COREプログラム( 材料表参照)で開発されたモジュールです。オブジェクト分類をトレーニングするために、イメージごとに 1 つのオブジェクトを収集します。
      注: このホワイト ペーパーでは、1,017 枚の画像をトレーニング (892 枚) とテスト (126 枚) に分割しました。モデルトレーニングは、白血球、T. brucei、T. cruzi、T. evansi の 4 つのラベル付きクラスで実施されました。

2. 自社開発のCiRA COREプラットフォームによるトレーニングプロセス

1. 新しいプロジェクトの開始
   1. パソコンのデスクトップからCiRA COREアプリケーションを開き( 資料表参照)、プログラムの アイコンをダブルクリックして新しいプロジェクトを作成します。
   2. 左側の垂直ツールバーの 操作アイコン を選択して、必要なツールを選択します。
2. 物体検出モデルのトレーニング
   1. ドラッグ アンド ドロップ方式を使用して、データのラベル付けと学習のための学習 DL モデル関数を選択します。[一般] ツールバー |CiRAのAI |ドラッグディープトレイン |DeepTrainを画面(右側)にドロップします。
      注: その他のオプションについては、選択したツールを右クリックし、適切な機能(コピー、切り取り、または削除)を実行します。
   2. DeepTrainツールの設定を使用して画像をインポートします。[画像の読み込み]ボタンをクリックして、画像ディレクトリに移動します。オブジェクトにラベルを付けるには、左クリックを押しながら選択したオブジェクトに名前を付けます。[Display Setting] ボタンをクリックして矩形の線の太さとフォント サイズを調整し、GT を同じディレクトリに .gt ファイルとして保存します。
      注意: 電力不足、プログラムの自動終了、ラベリングプロセス内でのハングアップなどの望ましくない状態を回避するために、必要に応じて保存してください。
   3. モデルを学習する前に、データを拡張し、回転、コントラスト、ノイズ、ぼかしの 4 つの拡張手法を使用して十分な情報を収集します。Gen Settingボタンをクリックして、この機能にアクセスします。
   4. DeepTrain ツールの [トレーニング] ボタンをクリックして、モデルのトレーニングを開始します。トレーニング部分には、「トレーニングファイルの生成」と「トレーニング」の2つのサブ機能があります。[トレーニング ファイルの生成] 関数で、目的のモデル、バッチ サイズ、およびサブディビジョンを選択します。「生成」ボタンをクリックしてデータを生成し、ディレクトリに保存します。[学習] 関数で、次のオプションを選択します: i) 条件とバックアップに生成された別の学習場所を使用する、ii) 事前構築済みの重みを使用して学習を継続する、iii) 現在の学習設計のパラメーターをオーバーライドする。これにより、モデルの構成とトレーニング条件が設計されます。
      注:生成処理時間は、画像ファイルのサイズ、拡張の使用状況、および使用可能なメモリ容量によって異なります。
   5. 必要な構成がすべて完了したら、 [トレーニング] ボタンをクリックしてモデルのトレーニングを開始します。プログラムを継続的に実行し、トレーニング プロセス中にトレーニング損失を評価し、データセットの重みを調整できるようにします。モデルが最適な損失を達成したら、[ エクスポート ] ボタンをクリックして、トレーニング済みの重みファイルを指定されたディレクトリに保存します。

3. 物体検出モデルの評価

4.画像ごとに1つのオブジェクトの画像トリミング

1. 画像を切り抜く前に、次の手順を実行します。
   1. 画像スライドツールの設定にアクセスして、画像ファイルディレクトリから画像をインポートします。
   2. Deep Detectツールの設定にアクセスして、登録済みの重みファイル(ステップ2.2.8で保存)をインポートします。[Config] ボタン | [+] ボタンをクリックし、バックエンド (CUDA または CPU) を選択し、名前を入力して [OK] をクリックし、重みファイルのディレクトリを選択して [Choose] をクリックします。Deep Detectツール内で、検出パラメータ(閾値および非最大抑制(nms))を選択します。図面パラメータ;追跡パラメータおよび関心領域 (ROI) パラメーター。
   3. 切り抜きツールの設定にアクセスして、切り抜いた画像を保存するディレクトリを選択します。[参照] をクリックします。 切り抜いた画像を保存するディレクトリを選択 | [選択] をクリックします | 画像形式(jpgまたはpng)を選択します |[自動保存]オプションを有効にします。
2. 画像をトリミングして、画像の分類とセグメンテーションのために画像ごとに 1 つのオブジェクトを取得します。このプロセスを実行するには、4 つのツールを利用し、それらの間の接続を確立します。 一般 ツールバー |全般 |ボタンの実行。次に、 一般ツールバー |CiRAのAI |ディープディテクト;次に、 一般ツールバー |CiRAのAI |ディープクロップ。最後に、 画像ツールバー |企業買収 |ImageSlideです。
3. 必要な設定がすべて整ったら、 ボタンをクリックして画像の トリミングプロセスを開始します 実行 ツール。
4. サイズが 608 x 608 の単一オブジェクト イメージで構成される新しいイメージ トレーニング データセットを取得します。

5. モデル学習としての画像分類

1. ドラッグ アンド ドロップを使用して、データ トレーニング用の画像分類モデルのトレーニング関数を選択します。画像ツールバー |ディープクラシフ |ドラッグClassifTrain |ClassifTrainを画面にドロップします。
2. ClassifTrain ツールの設定を使用して、モデル トレーニング用の画像をインポートします。[フォルダを開く]ボタンをクリックして、目的の画像ディレクトリに移動します。トレーニングの前に、Augmentation ボタンをクリックしてデータを拡張し、回転、コントラスト、反転 (水平および/または垂直)、ノイズ、ぼかしなどの手法を使用して詳細を確認します。
3. モデルのトレーニングを開始するには、ClassifTrain ツールの [GenTrain] ボタンをクリックします。関数 GenTrain で、モデル、バッチ サイズ、およびサブディビジョンを選択します。生成されたファイルを保存するディレクトリを割り当てます。[生成] ボタンをクリックして、トレーニング用のデータを続行します。[トレーニング] 関数で、適切なオプションにチェックを入れます: 既定の重みまたはカスタムの重みでトレーニングを続行します。
   注: 生成プロセスは、画像ファイルのサイズ、拡張の使用状況、クラス バランシング、使用可能なメモリ領域などの要因に応じて時間がかかる場合があります。
4. すべての準備が完了したら、[ 開始 ] ボタンをクリックしてモデルのトレーニングを開始します。プログラムを継続的に実行し、トレーニング プロセス中にトレーニング損失を評価し、データセットの重みを調整します。モデルが目的の損失レベルを達成したら、[ エクスポート ] ボタンをクリックして、トレーニング済みの重みファイルを指定したディレクトリに保存します。

6. 分類モデルの評価

7. CiRA COREアプリケーションによるプロセスのテスト

1. モデルテストとしての物体検出
   1. モデル テストを実行するには、4 つのツールを使用し、それらの間の接続を確立します。[ 一般] ツールバー |全般 |ボタンの実行。次に、 一般ツールバー |全般 |デバッグ。その後、 をクリックします 全般ツールバー |CiRAのAI |DeepDetect、そして最後に 画像ツールバー |企業買収 |ImageSlideです。
   2. イメージをテストする前に、次の手順を実行します。
      1. 画像スライドツールの「設定」オプションをクリックして、画像ファイルディレクトリからテスト画像をインポートします。
      2. ステップ 2.2.8 で保存したトレーニング済みウェイト ファイルをインポートするには、DeepDetect ツールの [設定] オプションをクリックします。[Config] ボタンをクリックし、次に [+] ボタンをクリックし、バックエンド (CUDA または CPU) を選択して名前を入力し、[OK] をクリックし、重みファイルのディレクトリを選択して [Choose] をクリックします。[DeepDetect] ツールで、検出パラメーター (しきい値と nms)、描画パラメーター、トラッキング パラメーター、ROI パラメーターを選択します。
      3. デバッグ・ツールのイメージ関数をクリックして、テスト・イメージの結果を表示します。
   3. 最後に、[ボタン実行] ツールの [実行] ボタンをクリックして、各画像の予測結果を確認します。
2. モデルテストとしての画像分類
   1. モデル テストを実行するには、4 つのツールを使用し、それらの間の接続を確立します。[ 一般] ツールバー |全般 |ボタンラン;次に、 一般ツールバー |デバッグ。その後、 に移動します 画像ツールバー |企業買収 |ImageSlide、そして最後に [画像] ツールバー |ディープクラシフ |DeepClassifです。
   2. イメージをテストする前に、次の手順を実行します。
      1. 画像スライドツールの「設定」オプションをクリックして、画像ファイルディレクトリからテスト画像をインポートします。
      2. セクション 5.5 から保存したトレーニング済みウェイト ファイルをインポートするには、DeepClassif ツールの [設定] オプションをクリックします。[Config] ボタン | + ボタン |バックエンド(CUDAまたはCPU)の選択 |名前を指定する |[OK] |重みファイルディレクトリの選択 |「選択」をクリックします。DeepClassifツールで、分類パラメータ(しきい値とトップクラス予測の数)、ガイドマップパラメータ(閾値、アルファ、ベータ、カラーマップ)、およびカラーマップのさまざまなパラメータを選択します。
      3. デバッグ・ツールのイメージ関数をクリックして、テスト・イメージの結果を表示します。
   3. 最後に、[ボタン実行] ツールの [実行] ボタンをクリックして、各画像の予測結果を確認します。

8.モデルテストとしてのハイブリッド(検出と分類)

1. このモデル テストを実行するには、4 つのツールを使用し、それらの間の接続を確立します。[ 一般] ツールバー |全般 |ButtonRunです。次に、 一般ツールバー |全般 |デバッグ。その後、 画像ツールバー |企業買収 |ImageSlide、そして最後に [画像] ツールバー |ディープコンポジット |DeepD->Cです。
2. 画像をテストする前に、次の手順に従います。 画像スライドツールの「設定」オプションをクリックして、画像ファイルディレクトリからテスト画像をインポートします。セクション2.1.5とセクション4.4から保存した2つのトレーニング済みウェイトファイルを、DeepD->Cツールの[設定]オプションをクリックしてインポートします。
   1. 検出機能では、Configボタン|+ボタンをクリックし、バックエンド(CUDAまたはCPU)を選択します。 |名前を指定する |[OK]をクリックする | ウェイト ファイルのディレクトリを選択 | 「選択」をクリックします。[検出] 関数で、検出パラメーター (しきい値と nms)、描画パラメーター、追跡パラメーター、および ROI パラメーターを選択します。
   2. Classif関数では、Configボタン|+ボタンをクリックし、バックエンド(CUDAまたはCPU)を選択します。名前を指定する |[OK] をクリックし、ウェイト ファイルのディレクトリを選択 | [選択]をクリックします。Classif関数で、分類パラメータ(しきい値と最上位クラスの予測数)とガイドマップパラメータ(しきい値、アルファ、ベータ、カラーマップ)を選択します。
3. デバッグ・ツールのイメージ関数をクリックして、テスト・イメージの結果を表示します。最後に、[ボタン実行] ツールの [実行] ボタンをクリックして、各画像の予測結果を確認します。

9. 5段階の交差検証

注: 提案されたモデルの性能をより効果的に検証するために、K 分割交差検証が使用されます。

1. データセットを交差検証の 5 つの分割に対応する 5 つのセクションに分割します。モデルのトレーニングとテストの各イテレーションでは、1 つのセクションをテスト用の検証セットとして使用し、残りの 4 つのセクションをトレーニング用に使用します。このプロセスを 5 回繰り返し、各フォールドを検証セットとして 1 回使用します。
2. 折り目 1 から 5 の場合:
   1. セクション 5 を繰り返して、4 つの分割の学習データを使用してモデルに学習させます。
   2. セクション 7.2 を繰り返して、残りの分割をテスト セットとして使用してモデルをテストします。

10. モデル評価

1. 混同行列
   1. テスト結果に基づいて、4つの条件は次のように発生します。
      1. 真陽性 (TP): 入力画像が真であり、予測も真である場合。
      2. 偽陽性 (FP): 入力画像が偽であるが、予測が真である場合。
      3. 偽陰性 (FN): 入力画像が真であるが、予測が偽である場合。
      4. 真陰性 (TN): 入力画像が偽で、予測も偽の場合。
   2. これら 4 つの条件を使用して、混同行列で性能を評価します。
2. 業績評価
   1. 最も一般的に使用される分類パフォーマンス指標は、 精度、 精度、 再現率、 特異性、および F1 スコア値です。混同行列の値からモデルのパフォーマンスを評価するために使用される式 (1-6) のすべての評価メトリックを計算します。
      (1)
      (2)
      (3)
      (4)
      (5)
      (6)
3. ROC曲線
   注: ROC 曲線 は、しきい値設定が異なる分類問題のパフォーマンス指標です。ROC曲線下面積(AUC)は分離可能性の程度または尺度を表し、 ROC は確率曲線です。
   1. ROC曲線は、真陽性率(TPR)と偽陽性率(FPR)の値がそれぞれY軸とX軸にプロットされた2次元グラフです。混同行列から得られた TPR 値と TFR 値を使用して ROC 曲線を作成します。TPR 値は感度と同じです。式(7)を使用してFPR値を計算します。
      (7)
   2. TPR 値と FPR 値を取得したら、Python 環境で Jupyter Notebook オープンソース Web ツールを使用して ROC 曲線をプロットします。AUCは、ROC曲線解析において提案されたモデルの性能を評価するための効果的な方法です。
4. PR曲線
   1. PR曲線を使用して、PR曲線下の面積を測定することでモデルを評価します。モデルの信頼度しきい値関数を使用してモデルの精度と再現率をプロットし、PR 曲線を作成します。PR 曲線も 2 次元グラフであるため、X 軸に Recall を、Y 軸に Precision をプロットします。
   2. Python 環境でオープンソースの Jupyter Notebook Web ツールを使用して、ROC 曲線と同様に PR 曲線をプロットします。適合率-再現率曲線(AUC)スコアの下の領域は、多ラベル分類にも役立ちます。

結果

本研究では、トリパノソーマ寄生虫に感染した血液サンプルの陽性率を自動的に予測するハイブリッド深層学習アルゴリズムを提案しました。アーカイブされたギムサ染色血液膜を分類し、ダークネットバックボーンニューラルネットワークに基づく物体検出アルゴリズムを使用して、寄生虫と非寄生虫を局在化および分類しました。前のモデルで得られた矩形ボックスの予測結果の中で、<...

ディスカッション

トリパノソーマ原虫感染の顕微鏡観察は、特に熟練した技術者が不足しており、労働集約的で時間のかかるプロセスがあり、保健機関にタイムリーに報告する上での障害となっている遠隔地でのサーベイランスでは、早期かつ一般的に使用されています。免疫学やポリメラーゼ連鎖反応(PCR)などの分子生物学技術は、検査所見の有効性を裏付ける高感度の方法として承認されていますが、そ?...

資料

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