利用混合深度学习模型实现锥虫寄生虫的高效自动识别

摘要

利用低代码人工智能平台，通过简单步骤实现了对全球医学血液寄生虫的自动筛查。采用混合深度学习模型中的目标检测与分类方法，提高了血涂片的前瞻性诊断能力。主动监测与训练有素的模型相结合，有助于识别锥虫传播的热点区域。

摘要

锥虫病是包括南亚和东南亚在内的世界多个地区重要的公共卫生问题。确定处于主动监测下的高发区域是控制疾病传播的基本步骤。显微镜检查是一种常用的诊断方法，但该方法主要依赖于技术熟练且经验丰富的专业人员。为解决这一问题，研究人员在自主开发的低代码人工智能平台（CiRA CORE）上引入了一种人工智能（AI）程序，该程序采用了一种结合目标识别与目标分类神经网络骨干的混合深度学习技术。该程序能够从油镜显微图像中识别并分类原虫锥虫属物种，即Trypanosoma cruzi、T. brucei和T. evansi。该人工智能程序利用模式识别技术对单个血样中的多个原虫进行观察与分析，并通过注意力图突出显示每个寄生虫的细胞核和动基体，将其作为特异性形态学特征。

为了评估人工智能程序的性能，设计了两个独立的模块，提供多种统计指标，包括准确率、召回率、特异性、精确率、F1 分数、误分类率、受试者工作特征（ROC）曲线以及精确率-召回率（PR）曲线。评估结果表明，该人工智能算法在识别和分类寄生虫方面具有良好的效果。该技术可提供快速、自动化且准确的筛查工具，有望革新疾病监测与防控体系，并有助于地方卫生部门就阻断疾病传播的策略做出更加科学的决策。

引言

由于多种人畜共患的锥虫物种在非洲和美洲大陆以外的地区（如南亚和东南亚）广泛分布并导致人类疾病，锥虫病已成为全球健康问题中的重大挑战^1,2,3人类非洲锥虫病（HAT），又称昏睡病，是由 布氏冈比亚锥虫 和 T. b. rhodesiense 分别引起慢性型和急性型，代表了在非洲的主要传播形式。该病原寄生虫属于唾液传播组（Salivaria group），因其通过采采蝇感染性唾液传播而得名。⁴而众所周知的美洲锥虫病（恰加斯病）是由 T. cruzi 由于来自流行地区的人群频繁迁徙，该疾病已成为加拿大、美国、欧洲、澳大利亚、日本等非流行国家的公共卫生关注问题⁵属于斯特库罗型（Stercoraria）组，因为其通过锥蝽感染性粪便传播。由锥虫引起的锥虫病（trypanosomiases）和苏拉病（Surra disease）（trypanosomoses） T. evansi 感染在非洲、南美洲、西亚和东亚以及南亚和东南亚国家呈地方性流行^3,6. 尽管已有报道指出锥虫可引起人类锥虫病^{3,4,7,8,9,10,11,12}寄生虫感染的传播途径尚存争议：可能是通过采采蝇、虻类或马蝇等吸血昆虫机械性传播，或通过含有感染性血液的途径传播^{6,7,8,9,10,12,13,14}。尽管在泰国尚未发现病例报告，但该病的患病率较高 T. evansi 犬类感染¹⁵中国东部地区赛马和水牛的研究已发表¹⁶，表明家养动物之间可能发生了获得性传播。多例由动物锥虫引起的非典型人类感染（T. vivax, T. b. brucei, T. congolense, T. lewisi 和 T. evansi）被报道，它们并非人类锥虫的经典形态¹⁷人们对非典型人类感染的认识可能被低估，凸显出改进诊断检测方法和开展实地调查的必要性，以检测和确认这些非典型病例，并实现对影响全球畜牧业和粮食安全的动物病原性疾病进行有效防控与治疗¹⁸以及人类医疗保健。这促使研究人员开发出一种潜在策略，该策略结合了现有的常规方法（显微镜检查），可在偏远地区开展主动监测时快速筛查血液样本，从而识别出疾病传播的热点区域，以利于疾病的限制与控制。

在单峰骆驼、牛、马科动物和犬等多种家畜中，苏拉病呈散发性发生，可能由广宿主性的T. evansi引起，并具有人畜共患传播至人类的潜力^1,4,13,14。由于人类血清中存在一种由类似sra基因表达的锥虫溶解因子，能够有效清除人类体内的T. brucei和T. congolense，因此人类感染通常被认为难以发生^12,19。此外，来自印度的首例病例报告表明，该疾病与免疫功能低下的HIV患者并无关联⁴。如上所述，可能的人类感染机制或与高密度脂蛋白缺乏有关，导致锥虫溶解因子功能异常，这是一种罕见的常染色体隐性遗传病，即唐吉病（Tangier disease）⁴。2016年发现一名越南患者携带两个野生型APOL1等位基因，且血清APOL1浓度处于正常范围。然而，APOL-1缺乏理论目前已不再被视为有效解释¹²。因此，锥虫感染的一种可能机制是在职业性动物养殖过程中，伤口直接接触感染动物的血液^4,12。显微镜检查显示，T. evansi呈单一形态的动基体鞭毛体，主要表现为细长、具鞭毛且正在分裂的锥虫形态，与其近缘种T. brucei相似^1,12,13。其细胞核位于中央，后端可见较小的动基体。先前研究指出，该寄生虫可表现为两种类似形态，即经典型和截短型。然而，这两种形态对宿主各自的致病作用仍有待进一步确认²⁰。临床症状表现多样，可出现伴有寒战和出汗的间歇性发热。幸运的是，苏拉明（Suramin）作为一线治疗药物，在中枢神经系统（CNS）未受侵犯的早期人类非洲锥虫病治疗中效果显著，已在印度和越南成功治愈患者^4,12,21。

除了临床症状检查外，针对T. evansi寄生虫的诊断方法还包括多种技术，如寄生虫学显微镜检查^4,9,12、血清学检测^4,8,9,10,12以及分子生物学检测^4,12。通常使用吉姆萨染色的薄血涂片在显微镜下观察寄生虫，该方法在常规工作中被广泛采用²²。然而，尽管该方法具有可行性，但其耗时较长、劳动强度大，不同观察者之间的评估结果存在变异性，仅对急性期感染敏感，且需要经过专门培训的技术人员²³。分子生物学和血清学检测同样需要高技能人员完成多个样本制备步骤，包括在使用昂贵设备进行检测前对样本进行提取和纯化，这些过程难以标准化，存在被非寄生虫物质污染的风险，并可能导致结果不一致²⁴。基于上述理由，亟需一种快速且早期的筛查技术，以支持现场监测研究，并确保调查结果能够及时上报，从而识别出疾病传播的关键热点区域，为后续防控措施提供依据^1,8。基于计算机的辅助诊断设备（CAD）已被提出作为医学领域的一项创新技术，可用于组织病理学和细胞病理学任务²⁵。上述CAD技术通过模式识别（即人工智能，AI）实现高速运算。AI方法采用卷积神经网络算法，能够处理大量数据样本，尤其适用于监督学习方法，通过对数据的学习训练出高性能的模型。

总体而言，人工智能（AI）是指计算机解决需要专家智能的任务的能力，例如数据标注。机器学习（ML）作为人工智能的一个子领域，表现为计算机系统包含特征提取和模式识别两个不同过程。深度学习（DL）或高级机器学习算法，是指开发出在准确性上达到甚至超过人类专业人员水平的类人性能的计算机程序和设备²⁶。目前，深度学习在医学和兽医学领域的应用前景广阔，正在革新传染病的防控工作，旨在实现近期预防并将其指导延伸至个体医护人员^22，27。只要有高质量的标注数据和大量增强的数据集，深度学习的应用潜力是无限的，这也能使专家从项目任务中解放出来。具体而言，数字图像技术的进步以及计算机辅助分析的发展，已提升了五类病理学报告中的自动诊断与筛查水平，包括静态、动态、机器人辅助、全切片成像以及混合方法²⁸。必须认识到，深度学习算法与数字图像数据的整合有望推动基层医务人员在日常工作中应用该技术。

此前，已有研究证明使用混合模型可提高预测准确性²⁷。为了在显微图像中识别锥虫寄生虫，本研究提出了两种混合模型，结合了YOLOv4-tiny（目标检测）和DenseNet201（目标分类）算法。在多种检测模型中，以CSPDarknet53为骨干网络的YOLOv4-tiny在定位和分类方面的预测结果表现出高性能²⁹。由于该实时检测器对输入网络分辨率、卷积层数量、总参数量以及输出层数量之间的最优平衡进行了改进，与先前版本相比，其更注重运行速度的提升，并针对并行计算进行了优化。密集卷积网络（DenseNet）是另一种在多个竞争性数据集上取得先进性能的流行模型。DenseNet201的验证误差与ResNet101相当，但其参数数量少于2000万，远低于ResNet101的超过4000万参数³⁰。因此，DenseNet模型能够在参数数量增加的同时提升预测准确性，且未出现过拟合迹象。本研究中，一个人工智能（AI）程序在自主开发的CiRA CORE平台上，采用结合深度检测与分类神经网络骨干的混合深度学习算法。该程序能够从油镜显微图像中识别并分类原虫锥虫物种，即Trypanosoma cruzi、T. brucei和T. evansi。该技术有望通过提供一种快速、自动化且准确的筛查方法，彻底改变疾病监测与防控体系，并有助于当地工作人员就阻断寄生性原虫病传播的策略做出更加科学的决策。

方案

存档血涂片及项目设计已获得朱拉隆功大学兽医学院机构生物安全委员会（IBC编号：2031033）、机构动物护理与使用委员会（IACUC编号：1931027）以及拉姆库姆哈恩国王理工学院人类研究伦理委员会（EC-KMITL_66_014）的批准。

1. 原始图像的准备

1. 图像数据集的准备
   1. 获取至少13张经寄生虫学专家确认含有血液寄生虫感染的阳性玻片，包括T. brucei、T. cruzi和T. evansi。将这13张玻片分为训练集（10张）和测试集（3张）。
   2. 使用配备数码相机的光学显微镜油镜视野，采集上述吉姆萨染色薄血膜的图像。在显微镜检查下获取包含所有三种寄生虫动基体形态（trypomastigotes）多个目标的图像；寻找细长形状、长尾、波动膜以及前端的动基体。
      注：制备厚血膜和薄血膜有助于提高急性期锥虫病的检出率³¹。世界卫生组织（WHO）推荐通过指尖采血获取样本³²。然而，薄血膜在鉴定Trypanosoma cruzi及其他物种方面更为有效，因为这些生物体在厚血膜中容易发生形态扭曲³³。鉴于此，本研究采用薄血膜图像以保持寄生虫适宜的形态特征。
   3. 将所有图像按寄生虫种类分别存储于特定文件夹中，图像规格如下：1,600 × 1,200 像素、24位深度、JPG格式。将图像以约6:1的比例划分为训练集和测试集。
      注：参见 https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip；共650张图像被划分为训练集（560张）和测试集（90张）用于模型训练与评估。
   4. 将感兴趣区域定义为矩形标签，分为两类：锥虫和非锥虫。使用自动裁剪模块，基于训练良好的目标检测模型对所有检测到的图像进行裁剪。该自动裁剪模块为机构内部开发的CiRA CORE程序中的模块（见材料表）。每张图像仅保留单个目标，用于目标分类训练。
      注：本研究共收集1,017张图像，其中892张用于训练，126张用于测试。模型训练使用了四个标注类别，包括白细胞、T. brucei、T. cruzi和T. evansi。

2. 使用内部 CiRA CORE 平台的训练过程

1. 启动新项目
   1. 从计算机桌面打开 CiRA CORE 应用程序（参见 材料表）并通过双击程序创建一个新项目 图标.
   2. 选择 操作图标 在左侧垂直工具栏中选择所需工具。
2. 目标检测模型训练
   1. 选择 训练深度学习模型 用于数据标注和训练的功能 拖放 方法。前往 通用工具栏 | CiRA AI | 拖拽 DeepTrain | 释放 DeepTrain 在屏幕右侧。
      注意：如需更多选项，请右键单击所选工具并执行相应的功能： 复制，剪切 或 删除.
   2. 使用 DeepTrain 工具的设置导入图像。点击 加载图像 按钮并导航至图像目录。通过按住左键并为选定对象命名来标记对象。调整 矩形线条粗细 和 字体大小 通过点击 显示设置 按钮和 保存 GT 作为 .gt 文件保存在相同目录中。
      注意：根据需要及时保存，以避免在标记过程中出现电源不足、程序自动关闭或卡顿等不良情况。
   3. 在模型训练之前，使用以下四种增强技术对数据进行扩展，以获取足够的信息： 旋转、对比度、噪声 和 模糊. 单击 基因设置 按钮以访问此功能。
   4. 单击以启动模型训练 培训 按钮在 DeepTrain 工具。该 训练部分 有两个子功能： 生成训练文件 和 训练. 在……之下 生成训练文件 功能，选择所需模型、批量大小和细分数量，然后单击 生成 按钮以生成数据并将其保存到目录中。在 训练 功能，选择以下选项：i) 使用另一个生成的训练位置 用于条件和备份，ii) 使用预训练权重 用于持续训练，或 iii) 覆盖参数 用于当前训练设计。这将确定模型配置和训练条件。
      注意：生成过程所需时间取决于图像文件大小、增强功能的使用情况以及可用内存空间。
   5. 所有必要配置完成后，单击以开始模型训练 训练 按钮。允许程序持续执行，在训练过程中评估训练损失并调整数据集的权重。如果模型达到最优损失，通过点击将训练好的权重文件保存到指定目录 导出 按钮。

3. 目标检测模型评估

1. 使用拖放方法选择目标检测模型评估功能以进行模型评估。进入插件工具栏 | 评估 | 拖动 EvalDetect | 将 EvalDetect 放置于屏幕右侧。
2. 点击设置，等待出现三个功能：检测、评估和绘图。通过点击加载配置，从目录（步骤 2.2.5）导入训练好的权重文件，以启动模型评估。
3. 在检测功能下，选择非极大值抑制（NMS）值，以消除冗余的假阳性（FP）检测结果，从而提高准确性。NMS 可去除模型生成的重复检测，提升检测结果的可靠性。
4. 在评估功能下执行以下步骤：
   1. 点击浏览，从图像文件目录导入测试图像；点击加载 GT，从步骤 2.2.2 中保存的目录导入 GT 文件。
   2. 选择交并比（IoU）值，以评估特定图像测试数据集的准确性。
   3. 点击评估按钮，对指定目录中的检测模型进行评估。评估完成后，结果将自动保存为同一目录下的 CSV 文件，并按类别名称排序。该 CSV 文件将提供每个类别的关键参数，包括真阳性（TP）、假阳性（FP）、假阴性（FN）、召回率和精确率。
5. 为绘制精确率-召回率（PR）曲线，在绘图功能下执行以下操作：点击浏览，从上一节（步骤 3.4）的目录中导入 CSV 文件；从列表中选择类别，然后点击绘图按钮，以显示可编辑的 PR 曲线图像。
6. 最后，若需将包含 PR 曲线 AUC 值的图像以指定格式保存至指定目录，请点击图像的保存按钮。

4. 每张图像中单个对象的图像裁剪

1. 在裁剪图像之前，请完成以下步骤：
   1. 从图像文件目录导入图像，方法是访问设置中的 图像幻灯片工具.
   2. 导入在步骤 2.2.8 中保存的训练权重文件，方法是访问设置中的 深度检测 工具。单击 配置 按钮 | + 按钮，选择 后端 (CUDA 或 CPU），提供一种 名称，点击 好的，选择权重文件目录，然后单击 选择. 在 深度检测 工具，选择检测参数（阈值 和 非极大值抑制 (nms)); 绘图 参数； 追踪 参数；和 感兴趣区域（ROI） 参数。
   3. 选择将裁剪后的图像保存到的目录，方法是访问设置中的 深部作物 工具。单击 浏览 | 选择保存裁剪后图像的目录 | 单击“选择” | 选定 图像格式（jpg 或 png) | 启用 的 自动保存选项.
2. 裁剪图像以使每张图像仅包含一个对象，用于图像分类和分割。执行此过程需使用四种工具并建立它们之间的连接：前往 通用工具栏 | 通用 | 按钮 运行接下来，导航至 通用工具栏 | CiRA AI | DeepDetect；然后，前往 通用工具栏 | CiRA AI | DeepCrop最后，前往 图像工具栏 | 采集 | ImageSlide.
3. 所有必要设置完成后，点击以启动图像裁剪过程 按钮运行 工具
4. 获取一个新的图像训练数据集，该数据集由尺寸为 608 x 608 的单目标图像组成。

5. 作为模型训练的图像分类

1. 使用 拖放 选择 图像分类模型训练 用于数据训练的功能。前往 图像工具栏 | DeepClassif | 拖动 ClassifTrain | 释放 ClassifTrain 在屏幕上。
2. 使用以下方法导入用于模型训练的图像 ClassifTrain 工具的设置。单击 打开文件夹 按钮并导航至目标图像目录。训练前，通过点击 增强 使用如下技术查看更多信息的按钮 旋转, 对比, 翻转 （水平和/或垂直） 噪声，以及 模糊.
3. 开始模型训练，请点击 GenTrain 按钮的 分类训练 工具。在以下 GenTrain 功能，选择 模型，批量大小 和 亚区指定一个目录以保存生成的文件。点击“生成”按钮以继续进行训练数据的生成。在 训练 功能，勾选相应的选项： 使用默认权重或自定义权重继续训练.
   注意：生成过程所需时间可能因图像文件大小、增强方法的使用、类别平衡以及可用内存空间等因素而有所不同。
4. 所有准备工作完成后，点击以启动模型训练 开始 按钮。让程序持续运行，在训练过程中评估训练损失并调整数据集的权重。如果模型达到了预期的损失水平，通过点击该按钮将训练好的权重文件保存到指定目录 导出 按钮

6. 分类模型评估

1. 使用拖放方法选择图像分类模型评估功能以进行模型评估。进入插件工具栏 | 评估 | 拖动 EvaluateClassif | 将 EvaluateClassif 放置到屏幕右侧。
2. 点击设置以访问EvaluateClassif工具中的附加功能，即评估和PlotROC。
3. 要启动模型评估，请在EvaluateClassif工具中点击评估按钮。在评估功能下执行以下步骤：
   1. 通过点击加载文件夹图像，从图像文件目录中导入测试图像；通过点击加载配置，从目录中导入训练好的权重文件（保存于步骤 5.4 中）。点击开始按钮以评估分类模型。
   2. 评估完成后，点击导出为 CSV按钮，将评估结果文件保存为 CSV 格式至指定目录。若需在每个阈值下评估数据，请点击所有阈值开始，并将包含类别名称的 CSV 文件保存至指定目录。所保存的 CSV 文件包含每个类别的参数，如召回率（真阳性率）、假阳性率和精确率。
4. 要绘制受试者工作特征（ROC）曲线，请在EvaluateClassif工具中点击PlotROC按钮。在PlotROC功能下执行以下步骤：
   1. 通过点击浏览，从之前获得的目录中导入 CSV 文件。检查导入的类别列表，并选择每个类别标签以绘制 ROC 曲线。
   2. 点击绘制按钮以将 ROC 曲线可视化为图像。根据需要编辑图像属性，包括字体大小、字体颜色、小数位数取整、线条样式和线条颜色。
5. 最后，点击保存按钮，将包含 AUC 值的 ROC 曲线图像以所需图像格式保存至指定目录。

7. 使用 CiRA CORE 应用程序测试该流程

1. 作为模型测试的目标检测
   1. 为了进行模型测试，使用四种工具并建立它们之间的连接。前往 通用工具栏 | 通用 | 按钮 运行然后， 通用工具栏 | 通用 | 调试点击之后 通用工具栏 | CiRA AI | DeepDetect，最后 图像工具栏 | 采集 | ImageSlide.
   2. 在测试图像之前，请遵循以下步骤：
      1. 单击以从图像文件目录导入测试图像 设置 选项中的功能 图像幻灯片 工具
      2. 导入第 2.2.8 步中保存的训练权重文件，方法是单击 设置 选项中的功能 DeepDetect 工具。单击 配置 按钮，然后点击 + 按钮，选择 后端 (CUDA 或 CPU），提供一种 名称，点击 好的，选择 权重文件目录，然后单击 选择. 在……之下 DeepDetect 工具，选择 检测参数 (阈值 和 nms), 绘图参数，追踪参数，以及 ROI 参数.
      3. 单击以查看测试图像结果 图像 功能在 调试 工具
   3. 最后，通过单击每张图像来查看其预测结果 运行 按钮 按钮运行 工具
2. 图像分类作为模型测试
   1. 为了进行模型测试，使用四种工具并建立它们之间的连接。前往 通用工具栏 | 通用 | 按钮 运行；然后， 通用工具栏 | 调试随后，导航至 图像工具栏 | 采集 | ImageSlide，最后， 图像工具栏 | DeepClassif | DeepClassif.
   2. 在测试图像之前，请遵循以下步骤：
      1. 单击图像文件目录以导入测试图像 设置 选项中的选项 图像幻灯片 工具
      2. 通过点击导入第 5.5 节中保存的训练权重文件 设置 选项在 DeepClassif 工具。单击“配置”按钮 | + 选择按钮 后端 (CUDA 或 CPU）| 提供一个 名称 | 点击 好的 | 选择 权重文件目录 | 点击 选择. 在……之下 DeepClassif 工具，选择 分类 参数（阈值 和 顶级预测的数量), 指南图 参数（阈值，α，β，以及 颜色图）以及其中的各种参数 颜色图.
      3. 单击查看测试图像结果 图像 功能在 调试 工具
   3. 最后，通过单击每张图像来查看其预测结果 运行 按钮 按钮运行 工具

8. 混合模型（检测与分类）作为模型测试

1. 为执行此模型测试，使用四种工具并建立它们之间的连接。前往 通用工具栏 | 通用 | 按钮运行然后， 通用工具栏 | 通用 | 调试之后， 图像工具栏 | 采集 | ImageSlide，最后， 图像工具栏 | DeepComposite | DeepD->C.
2. 在测试图像之前，请按照以下步骤操作：通过点击图像文件目录导入测试图像 设置 选项中的选项 图像幻灯片 工具。通过点击导入第2.1.5节和第4.4节中保存的两个训练权重文件 设置 选项中的功能 DeepD->C 工具：
   1. 对于 检测 功能，点击 配置 按钮 |+ 按钮， 选择 的 后端 (CUDA 或 CPU）| 提供一个 名称 | 点击 确定 | 选择权重文件目录 | 点击 选择. 在……之下 检测 功能，选择 检测 参数（阈值 和 nms), 绘图 参数, 追踪 参数，以及 感兴趣区域 参数。
   2. 对于 分类 功能，点击 配置 按钮 |+ 按钮， 选择 的 后端 (CUDA 或 CPU）| 提供一个 名称 点击 确定 | 选择权重文件目录 | 点击 选择. 在……之下 分类 功能，选择 分类 参数（阈值 和 顶级预测的数量）和 指南图 参数（阈值，α，β 和 颜色图).
3. 单击查看测试图像结果 图像 功能在 调试 工具。最后，通过单击每张图像来查看其预测结果 运行 按钮 按钮运行 工具

9. 五重交叉验证

注意：为了更有效地验证所提出模型的性能，采用 K 折交叉验证。

1. 将数据集分为五个部分，对应五折交叉验证的五个折。在每次模型训练与测试的迭代过程中，使用其中一个部分作为验证集进行测试，其余四个部分用于训练。重复此过程五次，使每个折均被用作一次验证集。
2. 对于第1至第5折：
   1. 重复第5节步骤，使用来自四个折的训练数据训练模型。
   2. 重复第7.2节步骤，使用剩余的一个折作为测试集对模型进行测试。

10. 模型评估

1. 混淆矩阵
   1. 根据测试结果，将出现以下四种情况：
      1. 真正例（True Positive, TP）：输入图像为真，且预测结果也为真。
      2. 假正例（False Positive, FP）：输入图像为假，但预测结果为真。
      3. 假反例（False Negative, FN）：输入图像为真，但预测结果为假。
      4. 真反例（True Negative, TN）：输入图像为假，且预测结果也为假。
   2. 利用这四种情况，通过混淆矩阵评估模型性能。
2. 性能评估
   1. 最常用的分类性能指标包括准确率、精确率、召回率、特异性和F1分数。根据混淆矩阵中的数值，使用公式（1-6）计算所有用于评估模型性能的评价指标。
          (1)
          (2)
          (3)
          (4)
          (5)
          (6)
3. ROC曲线
   注：ROC曲线是用于评估在不同阈值设置下分类问题性能的度量方法。ROC曲线下面积（AUC）表示分类器的可分性程度或度量，而ROC本身是一条概率曲线。
   1. ROC曲线是一个二维图，纵轴（Y轴）表示真正例率（TPR），横轴（X轴）表示假正例率（FPR）。利用混淆矩阵中获得的TPR和FPR值绘制ROC曲线。TPR值等同于敏感性；使用公式（7）计算FPR值。
          (7)
   2. 在获得TPR和FPR值后，使用Python环境中的开源Jupyter Notebook网络工具绘制ROC曲线。AUC是评估ROC曲线分析中所提出模型性能的有效方法。
4. PR曲线
   1. 使用PR曲线通过测量其曲线下面积来评估模型性能。通过绘制模型的精确率和召回率，并结合模型的置信度阈值函数构建PR曲线。由于PR曲线也是一个二维图，因此将召回率绘制在x轴上，精确率绘制在y轴上。
   2. 与ROC曲线类似，使用Python环境中的开源Jupyter Notebook网络工具绘制PR曲线。精确率-召回率曲线下面积（AUC）得分在多标签分类中同样具有参考价值。

结果

本研究提出了一种混合深度学习算法，用于自动预测含有锥虫寄生虫感染的血样是否呈阳性。通过基于Darknet骨干神经网络的目标检测算法，对存档的吉姆萨染色血涂片进行分类，以定位并区分受寄生虫感染与未受感染的区域。在前一模型所获得的任意矩形框预测结果内，进一步开发了最优的分类模型，用于对三种在医学和兽医学上具有重要意义的锥虫物种进行分类，包括T. brucei、T. cruzi和T. evansi。混合模型的最终输出结果表明，所提出的模型在面对可能影响预测结果的100倍显微图像变异时具有较强的鲁棒性，这些变异包括寄生虫的血液阶段形态。此外，环境因素也可能影响图像质量，例如储存时间导致的染色颜色变化、显微镜光源强度差异以及血涂片制备技术等。尽管如此，最优选定的模型仍能以高性能实现预测目标。

多类别标签的定位与分类
由于在油镜下通过吉姆萨染色血膜检测寄生性原虫费时且延长了周转时间，容易引入人为误差。训练有素的人工智能方法需要大量图像数据，这些数据需重缩放至 416 × 416 像素，并包含三个 R...

讨论

对锥虫原虫感染进行显微镜观察是一种早期且常用的方法，尤其适用于偏远地区的监测工作，因为在这些地区往往缺乏熟练的技术人员，而常规检测过程又劳动密集且耗时，这些因素均会阻碍向卫生组织及时报告。尽管免疫学和聚合酶链式反应（PCR）等分子生物学技术已被证实为高灵敏度方法，可有效支持实验室诊断结果，但其应用需要昂贵的试剂、设备和专业人员，通常只能在大型医疗中心的中心实验室中开展。三种锥虫物种在形态学上存在共性，且常出现混合感染和不成熟阶段，这些特征容易导致人为偏差和误判，从而影响药物反应评估和防控措施的实施³⁷。通过在所提出的AI程序中整合两种不同深度学习模型的改进型与混合算法，可克服诸多挑战，推动实现标准化分类的自动化，开启新的技术时代。已有研究证实，混合模型在识别疟原虫血液阶段方面具有潜力^27,38。本文详细说明了训练、测试和评估所提出AI模型的实验方案，旨在识别三种已知锥虫物种的成熟阶段，通过简化的流程实现对显微镜视野下寄生性原虫的实际鉴定及其进一步定量分析。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
Darknet19、Darknet53 和 Densenet201	Gao Huang, Z. L., Laurens van der Maaten. 密集连接卷积网络. arXiv:1608.06993 [cs.CV]. (2016)	https://github.com/liuzhuang13/DenseNet	一种深度卷积神经网络模型，可用于 分类 通用名称：YOLO 模型 / 检测模型？
Olympus CX31 型号 CX31RRBSFA	Olympus，东京，日本	序列号 4G42178	光学显微镜
Olympus DP21-SAL U-TV0.5XC-3	Olympus，东京，日本	序列号 3D03838	数码相机 通用名称：分类模型 / 密集连接卷积神经网络
Windows 10	Microsoft	Windows 10	计算机操作系统
YOLO v4-tiny	Naing, K. M. 等. 基于目标检测方法实现粪便检查中寄生虫产物的自动识别. PeerJ Comput Sci. 8 e1065, (2022)。	https://git.cira-lab.com/users/sign_in	一种深度卷积神经网络模型，可同时实现定位与分类功能
		https://git.cira-lab.com/users/sign_in