本研究成果(研究助成、助成金No.RGNS 65 - 212)は、高等教育・科学・研究・イノベーション省(OPS MHESI)、タイ科学研究イノベーション省(TSRI)、モンクット王工科大学ラクラバン校の事務次官室から資金援助を受けました。研究プロジェクトに資金を提供してくださったタイ国立研究評議会(NRCT)[NRCT5-RSA63001-10]に感謝します。M.K.は、チュラロンコン大学タイ科学研究イノベーション基金から資金提供を受けました。また、研究プロジェクトをサポートするためのディープラーニングプラットフォームとソフトウェアを提供してくれたラカバンのモンクット王工科大学の先進製造イノベーション大学にも感謝します。

トリパノソーマ症の検出と分類のためのAIプログラム

すべての著者は、財務情報開示や利益相反を持っていません。

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?...

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。

<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

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。

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.

著者スポットライト:顕微鏡画像からのAI駆動型トリパノソーマ種検出 

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

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.

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、<...

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

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。

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

本研究は、自社製ローコードAIプラットフォームCiRA CORE上の油浸・顕微鏡画像から、トリパノソーマ種、T.brucei、T.evansiなどのトリパノソーマ原種を定義するために、物体検出と分類バックボーンのハイブリッドディープラーニング技術を活用した人工知能AIモデルを開発することを目標としています。私たちの研究分野では、顕微鏡画像からトリパノソーマ種を識別・分類できる学習アルゴリズムの開発が研究分野の最新研究です。このプログラムは、遠隔地の現地スタッフが使用できる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により、監視と管理に革命を起こす可能性を秘めています。目的 AI プログラム内で 2 つの異なるディープ ラーニング モデル間で修正アルゴリズムとハイブリッド アルゴリズムを使用することで、多くの課題を克服できます。共通の形態、混合感染と未熟感染の同定、正確な種の特性評価により、自動標準分類が可能になります。

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

863 ビュー.  King Mongkut’s Institute of Technology Ladkrabang. 本研究は、自社製ローコードAIプラットフォームCiRA CORE上の油浸・顕微鏡画像から、トリパノソーマ種、T.brucei、T.evansiなどのトリパノソーマ原種を定義するために、物体検出と分類バックボーンのハイブリッドディープラーニング技術を活用した人工知能AIモデルを開発することを目標としています。私たちの研究分野では、顕微鏡画像からトリパノソーマ種を識別・分...