利用混合深度学习模型实现锥虫寄生虫的高效自动识别
2023年10月27日
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。
本研究的目标是开发一种人工智能（AI）模型，该模型利用目标检测与分类主干网络相结合的混合深度学习技术，在内部开发的低代码AI平台CiRA CORE上，对油镜显微图像中的原虫锥虫属物种（即克氏锥虫、布氏锥虫和伊氏锥虫）进行识别与界定。本研究领域最新的进展在于学习算法的开发，该算法能够从显微图像中识别并分类锥虫物种。该程序有望通过提供一种快速、自动化且准确的筛查方法，彻底改变锥虫病的监测与防控体系，该方法可由偏远地区的地方工作人员直接使用。
在目的性人工智能程序中，使用两种不同深度学习模型之间的改进算法和混合算法可以克服诸多挑战。通过识别共有的形态特征、混合感染及未成熟感染，并实现精确的物种表征，从而能够自动完成标准分类学鉴定。首先，将通用工具栏中的 DeepTrain 功能拖动到屏幕上，以启动数据标注和训练。
单击 DeepTrain 工具设置中的“加载图像”按钮，导航至包含待导入和标注图像的目录。然后按住鼠标左键对目标进行标注，并为所选目标分配名称。单击“保存 GT”以在相同目录中保存一个 gt 文件。
在开始模型训练之前，点击“生成设置”按钮以访问数据增强功能。使用四种类型的增强方式——旋转、对比度调整、噪声添加和模糊处理——来丰富数据集。要开始模型训练，请点击 DeepTrain 工具中的“训练”按钮。
在“生成训练文件”功能中，选择模型、批量大小和细分值。点击“生成”按钮以生成数据并将其保存到目录中。完成所有设置配置后，点击“训练”按钮以启动模型训练。
程序将自动执行并在评估训练损失的同时调整数据集权重。当达到最佳损失值后，点击导出按钮，并将权重文件保存至指定目录。要继续进行目标检测模型评估，请在插件工具栏中选择“评估”选项，然后将 EvalDetect 函数拖动到屏幕上。
然后，点击“设置”按钮。等待“检测”、“评估”和“绘图”这三个功能出现。要开始模型评估，请点击“加载配置”按钮，并从目录中导入训练好的权重文件。
要从图像文件目录导入测试图像，请点击“浏览”按钮。然后点击“加载 GT”按钮以导入 gt 文件。接下来，点击“评估”按钮，以评估该目录中的检测模型。
完成后，结果将自动保存为一个按类别名称排序的 CSV 文件，文件位于同一目录中，包含每个类别的关键参数，例如真正例、假正例、假负例、召回率和精确率。要生成精确率-召回率（PR）曲线，请进入绘图功能，点击“浏览”以从目录中导入 CSV 文件。
从列表中选择所需的类别，然后点击“绘图”按钮以可视化PR曲线。点击保存按钮，可将包含PR曲线下面积（AUC）值的图像以所需图像格式保存至指定目录。如需选择图像分类模型训练功能，请进入图像工具栏，选择DeepClassif，然后将ClassifTrain拖动到屏幕上。
要导入用于训练的图像，请点击 ClassifTrain 工具设置中的打开文件夹按钮，并导航至包含图像的目录。在训练前，可通过点击增强（Augmentation）按钮并应用旋转、对比度调整、翻转、添加噪声和模糊等技术来扩充数据集。要启动模型训练过程，请点击 ClassifTrain 工具中的 GenTrain 按钮。
在 GenTrain 中，选择所需的模型、批量大小和细分数量。指定一个目录以保存生成的数据，然后点击生成按钮。完成所有配置后，点击开始按钮。
该程序将连续运行，评估训练损失，并根据需要调整数据集的权重。当达到期望的损失水平后，点击“导出”按钮，并将权重文件保存至指定目录。首先，导航到插件工具栏。
然后将 EvaluateClassif 函数拖放到屏幕上。单击 EvaluateClassif 工具内的 Evaluate 按钮。单击 Load folder image 按钮以导入测试图像，并单击 Load Config 以从目录中导入已训练的权重文件。
然后点击“开始”按钮以评估分类模型。评估完成后，点击“导出为CSV”按钮，将结果保存为目录中的 csv 文件。若需在每个阈值下评估数据，请点击“开始所有阈值”按钮，将包含类别名称以及各类别对应的召回率、真正例率、假正例率和精确率等参数的 csv 文件保存至目录中。
要绘制受试者工作特征曲线，请点击 EvaluateClassif 工具中的“Plot ROC”按钮。点击“Browse”按钮，并从目录中导入 csv 文件。检查导入的类别列表，选择每个类别标签以绘制 ROC 曲线。
接下来，为了可视化 ROC 曲线，单击“绘图”按钮。根据需要调整图像属性，例如字体大小、字体颜色、小数位数取整、线条样式和线条颜色。最后，单击“保存”按钮，将包含 AUC 值的 ROC 曲线图像以所需图像格式保存到指定目录中。
首先，进入通用工具栏，单击 ButtonRun，然后单击 Debug 以启动混合测试模型。接着，转到图像工具栏，选择 Acquisition，然后选择 ImageSlide。进入 DeepComposite 并单击 DeepD-C。
在开始图像测试阶段之前，单击 ImageSlide 工具中提供的“设置”选项，并导入测试图像。然后单击 DeepD-C 工具中的“设置”选项，导入两个已保存的训练权重文件。对于检测功能，请单击“配置”按钮、“添加”按钮，然后选择后端 CUDA 或 CPU。
输入名称并点击“确定”。选择权重文件目录，然后点击“选择”。对于 Classif 功能，点击“配置”按钮，接着点击“添加”按钮，然后选择后端。输入名称并点击“确定”。之后，选择权重文件的目录并点击“选择”。
要查看测试图像结果，请点击调试工具中提供的图像功能。最后，要评估每张图像的预测结果，请点击 ButtonRun 工具中的运行按钮。
查看完整文字稿并访问数千部科学视频
概述
本研究致力于开发一种利用混合深度学习技术的AI模型，用于从显微图像中识别锥虫物种。该方法旨在通过自动化筛查手段提高血液寄生虫的诊断效率。
关键研究组成部分
科学领域
- 神经科学
- 生物学
- 人工智能
背景
- 血液寄生虫在全球范围内构成重大的健康风险。
- 传统诊断方法可能耗时较长，且需要专业知识。
- 人工智能与深度学习技术为快速诊断提供了潜在解决方案。
- 本研究聚焦于锥虫属物种，包括 T. cruzi、T. brucei 和 T. evansi。
研究目的
- 开发一种人工智能模型，用于快速鉴定锥虫物种。
- 提高偏远地区的诊断准确性。
- 实现血液寄生虫筛查过程的自动化。
使用的方法
- 结合目标检测与分类的混合深度学习模型。
- 血液样本的显微成像。
- 低代码人工智能平台（CiRA CORE），便于使用。
- 利用 DeepTrain 功能进行数据标注与训练。
主要结果
- 通过显微镜图像成功鉴定锥虫物种。
- 提高混合感染和未成熟感染诊断的准确性。
- 用于物种分类的自动化标准分类系统。
- 有望使偏远地区工作人员能够使用该人工智能模型。
结论
- 该人工智能模型可革新血液寄生虫的监测方式。
- 它提供了一种快速且准确的筛查方法。
- 主动监测与人工智能的结合可增强疾病防控工作。
常见问题
行业重要性概述
利用混合深度学习模型对锥虫寄生虫进行自动化识别与分类，解决了传染病监测和诊断工作流程中的一个关键瓶颈问题。该方法通过显微图像实现快速、可重复且定量的检测，从而在从发现到监测的连续过程中关键决策节点上提高了预测可信度和运行效率。该平台的统计输出结果可为转化研究中的项目组合筛选和基于风险评估的推进提供有力支持。
生物制药研发中的策略性应用
早期发现与靶点验证
- 通过高通量、客观地分析寄生虫形态，支持靶点验证。
- 利用定量精确性区分混合感染与未成熟感染，助力机制层面的风险排除。
- 促进功能分类学的一致性，降低早期生物学评估中的不确定性。
筛选与检测方法开发
- 为后续化合物筛选与评估制备经过验证的基于图像的检测方法。
- 提供标准化、可重复的输出结果，包括准确率、召回率和精确度等指标。
- 实现可扩展的自动化工作流程，用于可靠的寄生虫检测与分类。
转化与临床前研究
- 将基于图像的检测与疾病相关的监测模型相结合，以实现转化连续性。
- 提供定量的ROC和PR曲线输出，为生物标志物和诊断方法的开发提供依据。
- 支持针对候选诊断方法或干预措施的推进作出风险调整后的决策。
流程与工作流整合
该混合人工智能模型可整合到从早期基于图像的靶点验证，到检测方法开发及转化研究的整个发现与监测流程中。
- Discovery Biology: 客观检验形态学假设，并阐明物种水平的分类学。
- Screening: 标准化基于图像的检测输出，以实现可重复的化合物或诊断评估。
- Analytics: 提供定量指标（例如，准确率、召回率、ROC、PR 曲线），用于稳健的条件比较。
- Translational Research: 以定量连续性将发现成果衔接至临床前及监测模型。
- Enterprise Reuse: 建立可复用、低代码的 AI 平台，可适应多样化的基于图像的检测需求。
运营与企业影响
- 科学价值：提高寄生虫检测的预测可信度，降低机制上的模糊性。
- 操作价值：提供标准化、可扩展且可重复的图像分析工作流程。
- 战略价值：通过提供可靠的统计输出，改善决策进程中的立项或终止判断，提升资本使用效率。
- 项目组合影响：支持基于风险调整的诊断与监测资产优先排序与推进。
实施注意事项
- 需要具备人工智能模型训练、图像标注和统计评估方面的专业知识。
- 依赖于高质量显微成像设备和计算基础设施的可及性。
- 要求跨团队对数据标注和数据增强协议进行标准化。
- 在适当重新训练的前提下，可适用于多种原生动物物种及基于图像的检测场景。
- 性能可能受限于图像质量、标注准确性以及数据集的多样性。
生物制药常见问题
Chapters in this video
0:00
Introduction
1:26
Training Process CiRA CORE Platform and Object Detection Model Evaluation to Identify and Classify the Protozoan Trypanosome Species
5:22
Image Classification as Model Training and Model Evaluation to Identify and Classify the Protozoan Trypanosome Species
6:56
Hybrid (Detection and Classification) as Model Testing to Identify and Classify the Protozoan Trypanosome Species
