Identificación automática superior de parásitos tripanosomas mediante el uso de un modelo híbrido de aprendizaje profundo

Resumen

Los parásitos sanguíneos médicos de todo el mundo se examinaron automáticamente mediante sencillos pasos en una plataforma de IA de bajo código. El diagnóstico prospectivo de los frotis sanguíneos se mejoró mediante el uso de un método de detección y clasificación de objetos en un modelo híbrido de aprendizaje profundo. La colaboración de la monitorización activa y los modelos bien entrenados ayuda a identificar los puntos críticos de transmisión de tripanosomas.

Resumen

La tripanosomiasis es un importante problema de salud pública en varias regiones del mundo, incluidos el sur y el sudeste asiático. La identificación de las zonas críticas bajo vigilancia activa es un procedimiento fundamental para controlar la transmisión de enfermedades. El examen microscópico es un método de diagnóstico comúnmente utilizado. Sin embargo, depende principalmente de personal cualificado y experimentado. Para abordar este problema, se introdujo un programa de inteligencia artificial (IA) que hace uso de una técnica híbrida de aprendizaje profundo de redes troncales neuronales de identificación y clasificación de objetos en la plataforma interna de IA de bajo código (CiRA CORE). El programa puede identificar y clasificar las especies de protozoos tripanosomas, a saber, Trypanosoma cruzi, T. brucei y T. evansi, a partir de imágenes microscópicas de inmersión en aceite. El programa de IA utiliza el reconocimiento de patrones para observar y analizar múltiples protozoos dentro de una sola muestra de sangre y destaca el núcleo y el cinetoplasto de cada parásito como rasgos característicos específicos utilizando un mapa de atención.

Para evaluar el rendimiento del programa de IA, se crean dos módulos únicos que proporcionan una variedad de medidas estadísticas, como la exactitud, la recuperación, la especificidad, la precisión, la puntuación F1, la tasa de clasificación errónea, las curvas de características operativas del receptor (ROC) y las curvas de precisión frente a recuperación (PR). Los resultados de la evaluación muestran que el algoritmo de IA es eficaz para identificar y categorizar parásitos. Al ofrecer una herramienta de detección rápida, automatizada y precisa, esta tecnología tiene el potencial de transformar la vigilancia y el control de enfermedades. También podría ayudar a los funcionarios locales a tomar decisiones más informadas sobre las estrategias de bloqueo de la transmisión de enfermedades.

Introducción

La tripanosomiasis es un desafío importante para los problemas de salud mundial debido a una variedad de especies zoonóticas que causan enfermedades humanas con un amplio rango de distribución geográfica fuera de los continentes africano y americano, como el sur y sudeste de Asia ^1,2,3. La tripanosomiasis africana humana (HAT) o enfermedad del sueño, es causada por Trypanosoma brucei gambiense y T. b. rhodesiense, que producen las formas crónica y aguda, respectivamente, que representan la mayor propagación en África. El parásito causante pertenece al grupo ....

Protocolo

Las pruebas de sangre archivadas y el diseño del proyecto fueron aprobados por el Comité Institucional de Bioseguridad, el Comité Institucional de Cuidado y Uso de Animales de la Facultad de Ciencias Veterinarias de la Universidad de Chulalongkorn (IBC Nº 2031033 e IACUC Nº 1931027), y el Comité de Ética de Investigación Humana del Instituto de Tecnología Rey Mongkut de Ladkrabang (EC-KMITL_66_014).

1. Preparación de imágenes en bruto

1. La preparación del conjunto de datos de imagen
   1. Obtener al menos 13 portaobjetos positivos con infecciones por parásitos de la sangre, incluidos T. brucei, T. cruz....

Resultados

En este estudio, se propusieron algoritmos híbridos de aprendizaje profundo para ayudar a predecir automáticamente la positividad de una muestra de sangre con una infección por el parásito tripanosoma. Las muestras de sangre archivadas teñidas con Giemsa se clasificaron para localizar y clasificar a los parasitados frente a los no parásitos mediante el uso del algoritmo de detección de objetos basado en una red neuronal troncal de la red oscura. Dentro de cualquier resultado de predicción de caja rectangular obtenido por.......

Discusión

La observación microscópica de la infección por protozoos de Trypanosoma es temprana y se usa comúnmente, especialmente durante la vigilancia en áreas remotas donde hay una falta de técnicos calificados y procesos que requieren mucha mano de obra y mucho tiempo, lo que constituye un obstáculo para informar a la organización de salud a tiempo. Aunque las técnicas de biología molecular como la inmunología y la reacción en cadena de la polimerasa (PCR) han sido aprobadas como métodos de alta sensibilidad para respaldar la e.......

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Darknet19, Darknet53 y Densenet201	Gao Huang, Z. L., Laurens van der Maaten. Redes convolucionales densamente conectadas. arXiv:1608.06993 [cs. CV]. (2016)	https://github.com/liuzhuang13/DenseNet	Modelo de red neuronal convolucional profunda que puede funcionar para  classification Nombre genérico: ¿Modelo YOLO/modelo de detección?
Olympus CX31 Modelo CX31RRBSFA	Olympus, Tokio, Japón	SN 4G42178	Un microscopio óptico
Olympus DP21-SAL U-TV0.5XC-3	Olympus, Tokio, Japón	SN 3D03838	Una cámara digital Nombre genérico: Modelos de clasificación/ densamente CNNs
Windows 10	Microsoft	Windows 10	Sistema operativo en ordenadores
YOLO v4-tiny	Naing, K. M. et al. Reconocimiento automático de productos parásitos en el examen de heces mediante el enfoque de detección de objetos. PeerJ Comput Sci. 8 e1065, (2022).	https://git.cira-lab.com/users/sign_in	Modelo de red neuronal convolucional profunda que puede funcionar tanto para la localización como para la clasificación