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

Summary

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.

Abstract

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.

Introduction

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. c....

Protocol

סרטי דם ארכיוניים ועיצוב הפרויקט אושרו על ידי הוועדה המוסדית לבטיחות ביולוגית, הוועדה המוסדית לטיפול ושימוש בבעלי חיים של הפקולטה למדעי הווטרינריה, אוניברסיטת צ'ולאלונגקורן (IBC מס '2031033 ו- IACUC מס '1931027), וועדת האתיקה של המחקר האנושי של המכון הטכנולוגי של המלך מונגקוט Ladkrabang (EC-KMITL_66_014).

Discussion

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.......

Materials

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