Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Bioengineering
Click here for the English version

Bioengineering

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

Published: October 27, 2023 doi: 10.3791/65557
Automatic Translation
1, 2, 2, 3, 3, 4, 3, 3, 5
1Faculty of Medicine, King Mongkut’s Institute of Technology Ladkrabang, 2Veterinary Parasitology Research Unit, Faculty of Veterinary Science, Chulalongkorn University, 3College of Advanced Manufacturing Innovation, King Mongkut’s Institute of Technology Ladkrabang, 4Faculty of Science and Technology, Suan Dusit University, 5Department of Electrical Engineering, School of Engineering, King Mongkut’s Institute of Technology Ladkrabang

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. cruzi מהווה דאגה לבריאות הציבור במדינות שאינן אנדמיות; כולל קנדה, ארה"ב, אירופה, אוסטרליה ויפן, בגלל ההגירה התכופה של פרטים מאזורים אנדמיים5. זיהום טריפנוזום שייך לקבוצת Stercoraria כי זה מועבר על ידי צואה נגועה של חרקים reduviid. טריפנוסומיאזות וטריפנוזמוזות (מחלת סורה) הנגרמות על ידי זיהום T. evansi אנדמיות באפריקה, דרום אמריקה, מערב ומזרח אסיה, ומדינות דרום ודרום מזרח אסיה 3,6. למרות טריפנוסומיאזיס אנושי שנגרם על ידי טריפנוזום דווח 3,4,7,8,9,10,11,12, מסלול העברת זיהום הטפיל שנוי במחלוקת: או הדם המכני או נגוע באמצעות חרקים hematophagous כגון זבובי tsetse ו tabanids או זבובי סוסים 6,7, 8,9,10,12,13,14. לא נמצא דיווח מקרה בתאילנד, עם זאת, שכיחות גבוהה של זיהום T. evansi בכלב15, סוסי מרוץ ותאו מים באזור המזרחי פורסמה16, מה שמרמז על העברה נרכשת בין חיות בית שהתרחשה. דווח על מספר זיהומים אנושיים לא טיפוסיים הנגרמים על ידי טריפנוזומים של בעלי חיים (T. vivax, T. b. brucei, T. congolense, T. lewisi ו-T. evansi), שאינם הצורות הקלאסיות של טריפנוזומים אנושיים17. ניתן לזלזל במודעות לזיהומים אנושיים לא טיפוסיים, להדגיש את הצורך בבדיקות אבחון משופרות ובחקירות שטח לאיתור ואישור מקרים לא טיפוסיים אלה, ולאפשר בקרה וטיפול נאותים במחלות פתוגניות של בעלי חיים המשפיעות על בעלי חיים עולמיים, ביטחון תזונתי18 ובריאות האדם. הדבר הוביל לפיתוח אסטרטגיה פוטנציאלית המשולבת בשיטה משותפת קיימת (בדיקה מיקרוסקופית) לסינון מהיר של דגימות דם באזורים מרוחקים במהלך מעקב פעיל, המאפשר זיהוי של האזורים החמים להגבלה ושליטה במחלה.

שכיחות ספורדית של מחלת סורה במגוון רחב של חיות בית כגון דרומדריות, בקר, סוסים וכלבים המזכירים T. evansi אאוריקסני עשויה להיות זואונוטית לבני אדם 1,4,13,14. זיהום אנושי נראה בלתי אפשרי מכיוון שגורם טריפנוליטי בסרום אנושי, המתבטא בגן דמוי sra, מסוגל למנוע T. brucei ו- T. congolense12,19 אנושיים. יתר על כן, כפי שמוכיח דו"ח המקרה הראשון מהודו, למחלה אין קשר לחולי HIV מדוכאי חיסון4. כפי שתואר לעיל, הזיהום האנושי האפשרי עשוי להיות קשור למחסור ליפופרוטאין בצפיפות גבוהה עם תפקוד לא תקין של הגורם הליטי טריפנוזום, שהוא הפרעה גנטית אוטוזומלית רצסיבית נדירה, כלומר מחלת טנג'יר4. בשנת 2016 התגלה כי לחולה וייטנאמי יש שני אללים מסוג פראי APOL1 וריכוז APOL1 בסרום בטווח הנורמלי. עם זאת, התיאוריה של מחסור APOL-1 כבר לא נחשב תקף12. לכן, מנגנון אפשרי אחד של זיהום טריפנוזום הוא מגע ישיר של פצע עם דם בעלי חיים נגועים במהלך גידול בעלי חיים תעסוקתיים 4,12. בדיקה מיקרוסקופית מגלה כי המורפולוגיה של T. evansi היא צורה מונומורפית של הטריפומסטיגוטה, הכוללת טריפנוזום ארוך, דק, שוטון ומתחלק, הדומה למין הקרוב שלהם T. brucei 1,12,13. הגרעין נמצא במיקום המרכזי עם קינטופלסט קטן נראה לעין במצב האחורי. מחקר קודם הצביע על כך שהטפיל יכול להתקיים בשתי צורות דומות, הידועות כצורות קלאסיות וקטועות. עם זאת, עדיין יש צורך לאשר את ההשפעות הפתוגניות שלהם בהתאמה על המארחים20. מהלך הסימפטומים משתנה החל מחום לסירוגין הקשור לצמרמורות והזעה. סוראמין, למרבה המזל, הוא טיפול קו ראשון מוצלח לטריפנוסומיאזיס אפריקאי אנושי בשלב מוקדם ללא פלישה למערכת העצבים המרכזית (CNS), ריפוי חולים בהודו ובווייטנאם 4,12,21.

מלבד בדיקת סימנים קליניים, קיימות מספר שיטות אבחון לטפילים של T. evansi, כולל תצפית מיקרוסקופית פרזיטולוגית 4,9,12, סרולוגית 4,8,9,10,12, ובדיקות ביולוגיות מולקולריות 4,12. סרטים דקים המוכתמים בגימסה משמשים לעתים קרובות כדי לדמיין את הטפיל הקיים בבדיקה מיקרוסקופית, המשמשת באופן שגרתי ונפוץ22. עם זאת, נראה כי ההליך אפשרי; עם זאת, הוא גוזל זמן ודורש עבודה רבה, יש לו שונות הערכה בין-מדרגית, הוא רגיש לשלב אקוטי בלבד, ודורש חניך אישי23. הן בביולוגיה מולקולרית והן בבדיקות סרולוגיות נדרשו גם הן כוח אדם מיומן לביצוע תהליכים מרובים של הכנת דגימות, כולל חילוץ וטיהור הדגימות לפני בדיקתן עם מכשירים יקרים, דבר שקשה לתקן, סיכון לזיהום בחומרים חוץ-טפיליים ואי התאמות בתוצאות24. בהתבסס על הרציונל שתואר לעיל, יש צורך בטכנולוגיית סינון מהירה ומוקדמת כדי לתמוך במחקר המעקב בשטח ולהבטיח שתוצאות הסקר ידווחו בזמן כדי לזהות את האזור החם לשליטה נוספת בהעברת המחלה 1,8. מכשירים ממוחשבים (CAD) הוצעו כטכנולוגיה חדשנית לתחומים רפואיים, כולל משימות היסטופתולוגיות וציטופתולוגיות25. ה- CAD שהוזכר לעיל בוצע במהירות גבוהה וחושב באמצעות זיהוי דפוסים, כלומר בינה מלאכותית (AI). שיטת הבינה המלאכותית מושגת באמצעות אלגוריתמים של רשת עצבית קונבולוציונית שניתן להשתמש בהם כדי להתמודד עם מספר רב של דגימות מערכי נתונים, במיוחד גישת למידה מפוקחת המאמנת מודל מאומן היטב על צריכת נתונים.

באופן כללי, AI היא היכולת של מחשבים לפתור משימות הדורשות מודיעין מומחה, כגון תיוג נתונים. למידת מכונה (ML), תת-תחום של בינה מלאכותית, מיוצגת כמערכת מחשב עם שני תהליכים שונים המורכבים מחילוץ תכונות וזיהוי דפוסים. למידה עמוקה (DL), או אלגוריתמי ML מתקדמים, מתייחסת לפיתוח של תוכניות ומכשירים ממוחשבים המשווים ביצועים דמויי אדם עם רמות דיוק גבוהות ושוות לאלה שהושגו על ידי אנשי מקצוע אנושיים26. כיום, תפקידה של DL בתחומים רפואיים ווטרינריים מרחיב ומחולל מהפכה מבטיחה במניעת מחלות מידבקות במטרה למנוע אותה לאחרונה ולהדריך אותה לצוות בריאות פרטני22,27. יישום DL פוטנציאלי הוא בלתי מוגבל עם תוויות איכות ומספר רב של ערכות נתונים מוגברת, מה שמשחרר מומחים לנהל את משימת הפרויקט. באופן ספציפי, התקדמות בתמונה הדיגיטלית יחד עם ניתוח בעזרת מחשב, שיפרו את האבחון והסינון האוטומטיים בחמש קטגוריות של פתולוגיה שדווחו; כולל סטטי, דינמי, רובוטי, הדמיית שקופיות שלמות ושיטות היברידיות28. יש לקחת בחשבון כי שילוב של גישות אלגוריתם DL ונתוני תמונה דיגיטליים יכול לעודד צוות מקומי להשתמש בטכנולוגיה בפרקטיקות היומיומיות שלהם.

בעבר, העלייה בדיוק החיזוי של שימוש במודל היברידי הוכחה27. כדי לזהות את טפיל הטריפנוזום בתמונות מיקרוסקופיות, מחקר זה מציג שני מודלים היברידיים, המשלבים את האלגוריתמים YOLOv4-tiny (זיהוי אובייקטים) ו- Densenet201 (סיווג אובייקטים). מבין מספר מודלי זיהוי, YOLOv4-tiny עם עמוד שדרה CSPDarknet53 הראה ביצועים גבוהים כתוצאת חיזוי במונחים של לוקליזציה וסיווג29. מכיוון שהגלאי בזמן אמת שינה את האיזון האופטימלי בין רזולוציית רשת הקלט, כמות שכבת הקונבולוציה, הפרמטר הכולל ומספר יציאות השכבה, הוא שיפר את תעדוף מהירויות ההפעלה המהירות ואופטימיזציה לחישובים מקביליים בהשוואה לגרסאות קודמות. רשת קונבולוציונית צפופה (DenseNet) היא מודל פופולרי נוסף שמשיג תוצאות עדכניות במערכי נתונים תחרותיים. DenseNet201 הניב שגיאת אימות דומה לזו של ResNet101; עם זאת, ל- DenseNet201 יש פחות מ- 20 מיליון פרמטרים, שזה פחות מ- ResNet101 של יותר מ -40 מיליון פרמטרים30. לכן, מודל DenseNet יכול לשפר את דיוק החיזוי עם מספר גדל והולך של פרמטרים ללא סימן של התאמת יתר. כאן, תוכנית בינה מלאכותית (AI) משתמשת באלגוריתם למידה עמוקה היברידי עם עמוד שדרה של רשת עצבית לזיהוי וסיווג עמוק על פלטפורמת CiRA CORE הפנימית. התוכנה שפותחה יכולה לזהות ולסווג את מיני הטריפנוזומים הפרוטוזואניים, כלומר Trypanosoma cruzi, T. brucei ו - T. evansi, מתמונות מיקרוסקופיות של טבילת שמן. לטכנולוגיה זו יש פוטנציאל לחולל מהפכה במעקב ובקרה אחר מחלות על ידי מתן שיטת סינון מהירה, אוטומטית ומדויקת. זה יכול לסייע לצוות המקומי לקבל החלטות מושכלות יותר על אסטרטגיות חסימת שידור עבור מחלת פרוטוזואן טפילית.

Subscription Required. Please recommend JoVE to your librarian.

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).

1. הכנת תמונות גולמיות

  1. הכנת ערכת נתוני התמונה
    1. להשיג לפחות 13 שקופיות חיוביות עם זיהומים טפילים בדם, כולל T. brucei, T. cruzi, ו T. evansi, שאושרו על ידי מומחים פרזיטולוגים. הפרד את 13 השקופיות לאימון (10 שקופיות) ולבדיקה (שלוש שקופיות).
    2. רכשו תמונות של סרטי הדם המוכתמים הדקים של Giemsa שתוארו לעיל תחת שדה טבילת שמן של מיקרוסקופ אור עם מצלמה דיגיטלית. להשיג תמונות המכילות אובייקטים מרובים של טריפומסטיגוטים של כל שלושת מיני הטפילים תחת בדיקה מיקרוסקופית; חפשו צורה דקה, זנבות ארוכים, קרום גלי וקינטופלסט בקצה הקדמי.
      הערה: יצירת מריחות עבות ודקות כאחד תשפר את הזיהוי של טריפנוסומיאזיס בשלב חריף31. איסוף הדם על ידי דקירה אצבע מומלץ על ידי ארגון הבריאות העולמי32. עם זאת, שכבות דקות יעילות יותר בזיהוי טריפנוזומה קרוזי ומינים אחרים, שכן אורגניזמים אלה נוטים להתעוות בשכבות עבות33. לאור זאת, השתמשנו בתמונות של סרטי דם דקים כדי לשמור על המורפולוגיה המתאימה של הטפילים למחקר זה.
    3. אחסן את כל התמונות בתיקייה ספציפית לטפיל עם המפרטים הבאים: 1,600 x 1,200 פיקסלים, עומק 24 סיביות ותבנית קובץ JPG. פצלו את התמונות לערכות האימונים והמבחנים ביחס ~6:1.
      הערה: ראה https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip; 650 תמונות פוצלו לאימון (560 תמונות) ולמודל בדיקה (90 תמונות).
    4. הגדר את אזור העניין כתווית מלבנית עבור שתי סוגים: טריפנוזומים ולא טריפנוזומים. השתמש במודול החיתוך האוטומטי כדי לחתוך את כל התמונות שזוהו באמצעות מודל זיהוי האובייקטים המאומן היטב. מודול החיתוך האוטומטי הוא המודול שפותח בתוכנית CiRA CORE הפנימית (ראה טבלת חומרים). אסוף אובייקט בודד לכל תמונה לצורך אימון סיווג האובייקטים.
      הערה: עבור מאמר זה, 1,017 תמונות פוצלו לאימון (892 תמונות) ולבדיקה (126 תמונות). אימון המודל בוצע עם ארבע כיתות מתויגות, כולל לויקוציטים, T. brucei, T. cruzi, ו T. evansi.

2. תהליך הדרכה עם פלטפורמת CiRA CORE פנימית

  1. התחלת פרויקט חדש
    1. פתח את יישום CiRA CORE משולחן העבודה של המחשב (ראה רשימת חומרים) וצור פרויקט חדש על ידי לחיצה כפולה על סמל התוכנית.
    2. בחר את סמל הפעולה בסרגל הכלים האנכי השמאלי כדי לבחור את הכלים הדרושים.
  2. אימון מודל זיהוי אובייקטים
    1. בחר את פונקציית מודל ה- training-DL עבור תיוג נתונים והדרכה באמצעות שיטת הגרירה והשחרור . מעבר אל סרגל הכלים כללי | CiRA AI | גררו את DeepTrain | שחרר את DeepTrain על המסך (בצד ימין).
      הערה: לקבלת אפשרויות נוספות, לחץ לחיצה ימנית על הכלי שנבחר ובצע את הפונקציות המתאימות: העתק, גזור או מחק.
    2. ייבאו את התמונות באמצעות הגדרות הכלי DeepTrain. לחץ על טען תמונות כפתור ונווט לספריית התמונות. הוסף תווית לאובייקטים באמצעות לחיצה שמאלית ומתן שם לאובייקט שנבחר. התאם את עובי קו המלבן ואת גודל הגופן על ידי לחיצה על כפתור הגדרת התצוגה ושמור GT כקובץ .gt באותה ספרייה.
      הערה: שמור לפי הצורך כדי למנוע תנאים בלתי רצויים כגון מחסור בחשמל, סגירות אוטומטיות של תוכניות ותלייה בתהליך ההתוויה.
    3. לפני אימון המודל, הרחב את הנתונים כדי לאסוף מידע מספיק באמצעות ארבע טכניקות ההגדלה: סיבוב, ניגודיות, רעש וטשטוש. לחץ על הלחצן Gen Setting כדי לגשת לתכונה זו.
    4. התחל אימון מודל על-ידי לחיצה על לחצן אימון בכלי DeepTrain . לחלק ההדרכה יש שתי פונקציות משנה: יצירת קבצי הדרכה ואימון. תחת הפונקציה צור קבצי הדרכה , בחר את הדגמים הרצויים, גודל האצווה וחלוקות המשנה. לחץ על הלחצן צור כדי ליצור נתונים ולשמור אותם בספרייה. בפונקציה רכבת , בחר את האפשרויות הבאות: i) השתמש במיקום אימון אחר שנוצר עבור תנאים וגיבוי, ii) השתמש במשקולות בנויות מראש להמשך אימון, או iii) עקוף פרמטרים עבור תכנון האימון הנוכחי. פעולה זו תעצב את תצורת המודל ואת תנאי ההכשרה.
      הערה: זמן תהליך הייצור תלוי בגודל קובץ התמונה, בשימוש בהגדלה ובשטח הזיכרון הזמין.
    5. לאחר השלמת כל התצורות הדרושות, התחל את אימון הדגם על ידי לחיצה על כפתור הרכבת . לאפשר לתוכנית לבצע באופן רציף, להעריך את אובדן האימון ולהתאים את משקל מערך הנתונים במהלך תהליך האימון. אם המודל משיג אובדן אופטימלי, שמור את קובץ המשקל המאומן בספרייה שצוינה על ידי לחיצה על כפתור הייצוא .

3. הערכת מודל זיהוי אובייקטים

  1. בחר את פונקציית הערכת מודל זיהוי האובייקטים להערכת מודל באמצעות שיטת גרירה ושחרור. עבור אל סרגל הכלים של התוסף | הערכה | גרור EvalDetect | שחרר את EvalDetect על המסך (בצד ימין).
  2. לחץ על הגדרה והמתן לשלוש פונקציות: זיהוי, הערכה והתוויית. התחל הערכת מודל על ידי ייבוא קובץ המשקל המיומן מהספרייה (שלב 2.2.5) על ידי לחיצה על טען קונפיגורציה.
  3. תחת הפונקציה זיהוי , בחר ערך שאינו דיכוי מרבי (NMS) כדי לשפר את הדיוק על-ידי ביטול זיהויים מיותרים של תוצאות חיוביות שגויות (FP). NMS מסיר זיהויים כפולים שנוצרו על-ידי דגמים לשיפור המהימנות.
  4. המשך בשלבים הבאים תחת הפונקציה הערכה :
    1. ייבא תמונות בדיקה מספריית קבצי התמונות על ידי לחיצה על עיון. ייבא את קובץ GT מהספרייה שבה הוא נשמר בשלב 2.2.2 על ידי לחיצה על טען GT.
    2. בחר את הערך Intersection over Union (IoU) כדי להעריך את הדיוק בערכת הנתונים הספציפית של בדיקת תמונה.
    3. לחץ על לחצן הערכה כדי להעריך את מודל הזיהוי בספריה שצוינה. לאחר השלמת ההערכה, התוצאות יישמרו אוטומטית כקובץ CSV באותה ספרייה, ממוינות לפי שם כיתה. קובץ CSV זה יספק פרמטרים חיוניים כגון חיובי אמיתי (TP), חיובי שגוי (FP), שלילי שגוי (FN), אחזור ודיוק עבור כל מחלקה.
  5. כדי להתוות את עקומת האחזור המדויק (PR), בצע את הפעולות הבאות תחת הפונקציה עלילה : יבא את קבצי ה- CSV מספריית המקטע הקודם (שלב 3.4) על-ידי לחיצה על עיון. בחר מחלקות מהרשימה ולחץ על הלחצן עלילה כדי להציג את תמונת עקומת יחסי הציבור הניתנת לעריכה.
  6. לבסוף, כדי לשמור תמונה עם ערכי AUC של עקומת PR בפורמט התמונה הנדרש בספרייה שצוינה, לחץ על להציל כפתור של התמונה.

4. חיתוך תמונה לאובייקט בודד לכל תמונה

  1. לפני חיתוך התמונות, בצע את השלבים הבאים:
    1. ייבא את התמונות מספריית קובצי התמונות על-ידי גישה להגדרות הכלי שקופית תמונה.
    2. ייבא את קובץ המשקל המאומן (שנשמר בשלב 2.2.8) על-ידי גישה להגדרות הכלי זיהוי עמוק. לחץ על כפתור Config | +, בחר את הקצה העורפי (CUDA או CPU), ספק שם, לחץ על אישור, בחר את ספריית קובצי המשקל ולחץ על בחר. בכלי Deep Detect, בחר את פרמטרי הזיהוי (סף ודיכוי שאינו מקסימלי (nms)); פרמטרים ציור; פרמטרי מעקב; ופרמטרים של אזור עניין (ROI).
    3. בחר את הספרייה שבה יישמרו התמונות החתוכות על-ידי גישה להגדרות הכלי חיתוך עמוק . לחץ על עיון | בחר את הספרייה לשמירת התמונות החתוכות | לחץ על בחר | בחר את פורמט התמונה (jpg או png) | הפעל את האפשרות שמירה אוטומטית.
  2. חתוך תמונות לקבלת אובייקט בודד לכל תמונה לצורך סיווג ופילוח תמונות. כדי לבצע תהליך זה, השתמש בארבעה כלים וצור חיבורים ביניהם: עבור אל סרגל הכלים כללי | כללי | לחצן הפעלה. לאחר מכן, נווט אל סרגל הכלים כללי | CiRA AI | DeepDetect; לאחר מכן, עבור אל סרגל הכלים כללי | CiRA AI | DeepCrop. לבסוף, עבור אל סרגל הכלים תמונה | רכישה | ImageSlide.
  3. לאחר שכל ההגדרות הדרושות נמצאות במקום, התחל את תהליך חיתוך התמונה על ידי לחיצה על כפתור הפעל כלי.
  4. השג ערכת נתונים חדשה לאימון תמונות המורכבת מתמונות של אובייקט יחיד בגודל של 608 x 608.

5. סיווג תמונה כאימון מודל

  1. השתמש בגרירה ושחרור כדי לבחור את פונקציית ההדרכה של מודל סיווג התמונות לאימון נתונים. מעבר אל סרגל הכלים תמונה | DeepClassif | Drag ClassifTrain | שחרר את ClassifTrain על המסך.
  2. ייבאו תמונות לאימון מודלים באמצעות הגדרות הכלי ClassifTrain . לחץ על תיקייה פתוחה כפתור ונווט לספריית התמונות הרצויה. לפני האימון, הרחיבו את הנתונים על ידי לחיצה על כפתור ההגדלה לקבלת מידע נוסף באמצעות טכניקות כגון סיבוב, ניגודיות, היפוך (אופקי ו/או אנכי), רעש וטשטוש.
  3. כדי להתחיל באימון מודלים, לחץ על כפתור GenTrain של הכלי ClassifTrain. תחת הפונקציה GenTrain, בחר את הדגמים, גודל האצווה וחלוקות המשנה. הקצה ספרייה לשמירת הקובץ שנוצר. לחץ על הלחצן צור כדי להמשיך עם נתונים לאימון. בפונקציה רכבת, סמן את האפשרויות המתאימות: המשך להתאמן עם משקל ברירת מחדל או משקל מותאם אישית.
    הערה: תהליך היצירה עשוי להימשך זמן בהתאם לגורמים כגון גודל קובץ תמונה, שימוש בהגדלה, איזון מחלקה ושטח זיכרון זמין.
  4. לאחר השלמת כל ההכנות, התחל את אימון המודל על ידי לחיצה על לחצן התחל . לאפשר לתוכנית לבצע באופן רציף, להעריך את אובדן האימון ולהתאים את משקל מערך הנתונים במהלך תהליך האימון. אם המודל משיג את רמת ההפסד הרצויה, שמור את קובץ המשקל המאומן בספרייה שצוינה על ידי לחיצה על כפתור הייצוא .

6. הערכת מודל סיווג

  1. בחר את פונקציית הערכת מודל סיווג התמונות להערכת מודל בשיטת גרירה ושחרור . עבור אל סרגל הכלים של התוסף | הערכה | גרור EvaluateClassif | שחרר את EvaluateClassif על המסך (בצד ימין).
  2. לחץ על הגדרה כדי לגשת לפונקציות נוספות בכלי EvaluateClassif , כלומר Evaluat ו - PlotROC.
  3. כדי ליזום הערכת מודל, לחץ על הלחצן Evaluat בכלי EvaluateClassif . בצע שלבים אלה תחת הפונקציה הערכה .
    1. ייבא את תמונות הבדיקה מספריית קובץ התמונה על ידי לחיצה על טען תמונת תיקיה. ייבא את קובץ המשקל המיומן מהספרייה (נשמר בשלב 5.4) על ידי לחיצה על טען קונפיגורציה. לחץ על לחצן התחל כדי להעריך את מודל הסיווג.
    2. לאחר השלמת ההערכה, שמור את הקובץ המוערך כ- CSV בספרייה שצוינה על ידי לחיצה על יצוא ל- CSV לחצן. להערכת נתונים בכל סף, שמור את קובץ ה- CSV עם שמות המחלקות בספריה שצוינה על ידי לחיצה על התחל את כל הסף. קובץ ה- CSV שנשמר כולל פרמטרים כגון אחזור (שיעור חיובי אמיתי), שיעור חיובי שגוי ודיוק עבור כל מחלקה.
  4. כדי להתוות את עקומת מאפייני ההפעלה של המקלט (ROC), לחץ על כפתור PlotROC בתוך הכלי EvaluateClassif . בצע שלבים אלה תחת הפונקציה PlotROC .
    1. ייבא קבצי CSV מהספרייה שהושגה קודם לכן על ידי לחיצה על עיון. בדוק את רשימת המחלקה המיובאת ובחר כל תווית מחלקה כדי להתוות את עקומת ROC.
    2. לחצו על הלחצן 'עלילה' כדי להציג את עקומת ROC כתמונה. בצעו את פעולות העריכה הרצויות להתאמת מאפייני התמונה, כולל גודל גופן, צבעי גופן, עיגול עשרוני, סגנונות קו וצבעי קווים.
  5. לבסוף, שמור תמונה של עקומת ROC עם ערכי AUC בפורמט התמונה הנדרש בספרייה שצוינה על ידי לחיצה על להציל לחצן.

7. בדיקת התהליך באמצעות יישום CiRA CORE

  1. זיהוי אובייקטים כבדיקת מודל
    1. כדי לבצע בדיקת מודלים, השתמשו בארבעה כלים וצרו קשרים ביניהם. מעבר אל סרגל הכלים כללי | כללי | לחצן הפעלה. לאחר מכן, סרגל הכלים כללי | כללי | איתור באגים. לאחר מכן, לחץ על סרגל הכלים כללי | CiRA AI | DeepDetect, ולבסוף סרגל הכלים Image | רכישה | ImageSlide.
    2. לפני בדיקת התמונות, בצע את השלבים הבאים:
      1. ייבא את תמונות הבדיקה מספריית קובצי התמונות על-ידי לחיצה על הגדרה אפשרות בכלי שקופית תמונה .
      2. ייבא את קובץ המשקל המאומן שנשמר משלב 2.2.8 על ידי לחיצה על הגדרה אפשרות בכלי DeepDetect . לחץ על כפתור Config , לאחר מכן על כפתור +, בחר את הקצה האחורי (CUDA או CPU), ספק שם, לחץ על אישור, בחר את ספריית קבצי המשקל ולחץ על בחר. תחת הכלי DeepDetect , בחר את פרמטרי הזיהוי (סף ו - nms), פרמטרי ציור, פרמטרי מעקב ופרמטרי ROI.
      3. הצג את תוצאות תמונת הבדיקה על ידי לחיצה על פונקציית התמונה בכלי איתור באגים .
    3. לבסוף, בדוק את התוצאות החזויות עבור כל תמונה על ידי לחיצה על הפעל כפתור על כפתור הפעלת הכפתור .
  2. סיווג תמונה כבדיקת מודל
    1. כדי לבצע בדיקת מודלים, השתמשו בארבעה כלים וצרו קשרים ביניהם. מעבר אל סרגל הכלים כללי | כללי | הפעלת כפתור; לאחר מכן, סרגל הכלים כללי | איתור באגים. לאחר מכן, נווט אל סרגל הכלים תמונה | רכישה | ImageSlide, ולבסוף, סרגל הכלים תמונה | DeepClassif | DeepClassif.
    2. לפני בדיקת התמונות, בצע את השלבים הבאים:
      1. ייבא את תמונות הבדיקה מספריית קובצי התמונות על-ידי לחיצה על הגדרה אפשרות בכלי שקופית תמונה .
      2. ייבא את קובץ המשקל המאומן שנשמר מסעיף 5.5 על ידי לחיצה על הגדרה אפשרות בכלי DeepClassif. לחץ על כפתור Config | + כפתור | בחר את הקצה העורפי (CUDA או CPU) | ספק שם | לחץ על אישור | בחר את ספריית קובצי המשקל | לחץ על בחר. תחת הכלי DeepClassif, בחר את פרמטרי הסיווג (סף ומספר תחזיות ברמה הגבוהה ביותר), פרמטרי מפת מדריך (סף, אלפא, ביתא ומפת צבע) ופרמטרים שונים במפת הצבע.
      3. הצג את תוצאות תמונת הבדיקה על ידי לחיצה על פונקציית התמונה בכלי איתור באגים .
    3. לבסוף, בדוק את התוצאות החזויות עבור כל תמונה על ידי לחיצה על הפעל כפתור על כפתור הפעלת הכפתור .

8. היברידי (איתור וסיווג) כבדיקת מודל

  1. כדי לבצע בדיקת מודל זה, השתמשו בארבעה כלים וצרו קשרים ביניהם. מעבר אל סרגל הכלים כללי | כללי | ButtonRun. לאחר מכן, סרגל הכלים כללי | כללי | איתור באגים. לאחר מכן, סרגל הכלים תמונה | רכישה | ImageSlide, ולבסוף, סרגל הכלים תמונה | DeepComposite | DeepD->C.
  2. לפני בדיקת התמונות, בצע את הפעולות הבאות: ייבא תמונות בדיקה מספריית קובצי התמונות על-ידי לחיצה על ההגדרה אפשרות בכלי שקופית תמונה . ייבא את שני קבצי המשקל המאומנים השמורים מסעיף 2.1.5 ומסעיף 4.4 על ידי לחיצה על הגדרת אפשרות בכלי DeepD->C :
    1. עבור הפונקציה Detect, לחץ על כפתור Config |+, בחר את הקצה העורפי (CUDA או CPU) | ספק שם | לחץ על אישור | בחר את ספריית קובצי המשקל | לחץ על בחר. תחת הפונקציה Detect, בחר את פרמטרי הזיהוי (Threshold ו- nms), פרמטרי ציור, פרמטרי מעקב ופרמטרי ROI.
    2. עבור הפונקציה Classif, לחץ על כפתור Config |+, בחר את הקצה העורפי (CUDA או CPU) | ספק שם | לחץ על אישור | בחר את ספריית קובצי המשקל | לחץ על בחר. תחת הפונקציה Classif, בחר את פרמטרי הסיווג (סף ומספר תחזיות ברמה העליונה) ואת פרמטרי מפת המדריך (סף, אלפא, ביתא ומפת צבע).
  3. הצג את תוצאות תמונת הבדיקה על ידי לחיצה על פונקציית התמונה בכלי איתור באגים . לבסוף, בדוק את התוצאות החזויות עבור כל תמונה על ידי לחיצה על הפעל כפתור על כפתור הפעלת הכפתור .

9. אימות צולב פי חמישה

הערה: כדי לאמת את הביצועים של המודל המוצע בצורה יעילה יותר, נעשה שימוש באימות צולב של K-fold.

  1. חלק את ערכת הנתונים לחמישה חלקים, המתאימים לחמשת הקיפולים של אימות צולב. במהלך כל איטרציה של אימון ובדיקת מודלים, השתמש בחלק אחד כערכת האימות לבדיקה ובארבעת החלקים הנותרים להדרכה. חזור על תהליך זה חמש פעמים, כאשר כל קיפול משמש כערכת אימות פעם אחת.
  2. עבור קיפולים 1 עד 5:
    1. חזור על סעיף 5 כדי לאמן את המודל באמצעות נתוני האימון מארבעת הקיפולים.
    2. חזור על סעיף 7.2 כדי לבדוק את הדגם באמצעות הקיפול הנותר כערכת הבדיקה.

10. הערכת מודל

  1. מטריצת בלבול
    1. בהתבסס על תוצאות הבדיקה, ארבעת התנאים יתקיימו כדלקמן:
      1. חיובי אמיתי (TP): כאשר תמונת הקלט נכונה, וגם החיזוי נכון.
      2. תוצאה חיובית שגויה (FP): כאשר תמונת הקלט שגויה, אך התחזית נכונה.
      3. False Negative (FN): כאשר תמונת הקלט נכונה, אך התחזית שגויה.
      4. True Negative (TN): כאשר תמונת הקלט שגויה, וגם החיזוי שגוי.
    2. באמצעות ארבעת התנאים הללו, הערך את הביצועים באמצעות מטריצת הבלבול.
  2. הערכות ביצועים
    1. מדדי ביצועי הסיווג הנפוצים ביותר הם דיוק, דיוק, היזכרות, ספציפיות וערכי ציון F1. חשב את כל מדדי ההערכה במשוואות (1-6) המשמשות להערכת ביצועי מודל מערכים ממטריצת הבלבול.
      Equation 1(1)
      Equation 2(2)
      Equation 3(3)
      Equation 4(4)
      Equation 5(5)
      Equation 6(6)
  3. עקומת ROC
    הערה: עקומת ROC היא מדד ביצועים לבעיות סיווג עם הגדרות סף שונות. השטח מתחת לעקומת ROC (AUC) מייצג את מידת או מידת ההפרדה, בעוד ש- ROC הוא עקומת הסתברות.
    1. עקומת ROC היא גרף דו-ממדי עם ערכי שיעור חיובי אמיתי (TPR) ושיעור חיובי כוזב (FPR) המשורטטים על צירי Y ו- X, בהתאמה. בנה את עקומות ה- ROC באמצעות ערכי TPR ו- TFR המתקבלים ממטריצת הבלבול. ערך TPR זהה לרגישות; חשב את ערך ה- FPR באמצעות המשוואה (7).
      Equation 7(7)
    2. לאחר קבלת ערכי TPR ו- FPR, התווה את עקומת ROC באמצעות כלי הקוד הפתוח Jupyter Notebook בסביבת Python. AUC היא דרך יעילה להעריך את הביצועים של המודל המוצע בניתוח עקומת ROC.
  4. עקומת יחסי ציבור
    1. השתמש בעקומת יחסי הציבור כדי להעריך מודלים על ידי מדידת השטח מתחת לעקומת יחסי הציבור. בנה את עקומת יחסי הציבור על ידי התוויית הדיוק וההיזכרות של המודלים באמצעות פונקציות סף הביטחון של המודל. מכיוון שעקומת יחסי הציבור היא גם גרף דו-ממדי, התוויית ההיזכרות על ציר ה-x והדיוק על ציר ה-y.
    2. התווה את עקומת יחסי הציבור, כמו עקומת ROC, באמצעות כלי האינטרנט Jupyter Notebook בקוד פתוח בסביבת Python. האזור תחת ציון עקומת האחזור המדויק (AUC) מועיל גם בסיווג תוויות מרובות.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

במחקר זה, אלגוריתמים היברידיים של למידה עמוקה הוצעו כדי לסייע בחיזוי אוטומטי של החיוביות של דגימת דם עם זיהום טפיל טריפנוזומים. סרטי דם מוכתמים בארכיון של Giemsa מוינו כדי למקם ולסווג את הטפילים לעומת הלא טפילים באמצעות אלגוריתם זיהוי אובייקטים המבוסס על רשת עצבית בעמוד השדרה של הרשת האפלה. בתוך כל תוצאת חיזוי קופסה מלבנית שהתקבלה על ידי המודל הקודם, מודל הסיווג שנבחר בצורה הטובה ביותר פותח כדי לסווג את כל שלושת המינים של טריפנוזומים חשובים מבחינה רפואית ווטרינרית, כולל T. brucei, T. cruzi ו- T. evansi. התפוקה הסופית של המודלים ההיברידיים בהם נעשה שימוש חשפה את חוסנם של המודלים המוצעים כנגד השונות של תמונות מיקרוסקופיות פי 100 שעשויות להשפיע על תוצאת החיזוי, כולל המורפולוגיה של שלב הדם של הטפיל. בנוסף, גורמים סביבתיים עלולים להפריע לאיכות התמונה של שינוי צבע הצביעה על ידי אחסון זמן, עוצמה ממקורות האור של המיקרוסקופ ומיומנויות הכנת סרט דם. עם זאת, המודל שנבחר הטוב ביותר יכול להשיג את המטרה עם ביצועים גבוהים.

לוקליזציה וסיווג של תוויות מרובות מחלקות
מכיוון שזיהוי פרוטוזואה טפילית מסרט דם מכתים של Giemsa תחת מיקרוסקופ טבילת שמן הוא מייגע ומאריך את זמן הסיבוב, זה מוביל להטיית שגיאות מועדת. גישות AI מאומנות היטב דורשות מאגר גדול של נתוני תמונה עם שינוי קנה מידה של 416 x 416 פיקסלים ומאפייני תכונות משתנים של ערוצי צבע 3-RGB כדי להגביר את החיזוי הנכון של לוקליזציה וסיווג. מספר הפרמטרים במהלך אימון ואופטימיזציה של מודלים מוגדר עם קצב למידה של 0.002, צריבה של 1,000, וטווח צעדים בין 400,000 ל 450,000. אובדן אימונים נמוך אך דיוק אימון גבוה נחשבו לרמה או לרוויה אופטימלית תחת תנע של 0.9, גוון של 0.1 ודעיכה של 0.0005. בשלב הבדיקה עם נתונים בלתי נראים, לוקליזציה נכונה וסיווג בוצעו באמצעות מושגים של הצטלבות על איחוד (IOU) ואחוז ההסתברות. תוצאת פענוח הבדיקה בוצעה בסף של 50% ודיכוי לא מקסימלי (NMS) של 0.4, אשר נתן את התשובה הנכונה בהסתברות של %.

כמו בכל יריעות הדם הטפיליות שנחקרו, ההבחנה בין הטריפנוזום לבין הלא-טריפנוזום בוצעה על-ידי שימוש במודל של רשת עצבית לזיהוי שיכול לתפקד הן עבור לוקליזציה והן עבור סיווג (איור 1)22. תוצאת החיזוי של מטלת האיתור המוצעת חשפה תוצאה יוצאת מן הכלל עם דיוק ממוצע ממוצע של 93.10% (טבלה 1). למרות שניתן להשתמש במודל הזיהוי המיומן כדי לזהות את הקבוצה שאינה טריפנוזום יותר מזה המשמש לזיהוי טפיל הטריפנוזומים, הוא מביא לנו דיוק רב יותר מ-91% עבור שתי תוויות המחלקה. בנוסף, עקומת הדיוק לעומת ההיזכרות הראתה ערך AUC ממוצע מאוד של 0.969, אשר נתן את ערכי AUC עבור הטפיל והלא טפיל ב-0.976 ו-0.961, בהתאמה (איור 2). זה הוביל אותנו להבטיח לעצמנו שהמודל המיומן יכול להיות אמין. התיבה המלבנית של תוצאת הזיהוי הראשונה נחתכה באמצעות מודול לכידת התמונה תחת תוכנית CiRA CORE הפנימית. התמונות החתוכות שהוזכרו לעיל מוינו לשלוש תיקיות ספציפיות למיני הטריפנוזום. תהליך זה הוכן כדי להזין נתונים עבור מודל סיווג ההכשרה המודגם בסעיף המשנה הבא.

סיווג לפי מודל סיווג
כדי למצוא מודל מאומן כראוי לסיווג המינים הידועים של הטפיל, T. brucei, T. cruzi ו- T. evansi נשמרו בתיקיות שהוקצו להן שמות המחלקות היחסיים שלהם. במהלך אימון AI, תמונות בגודל 256 x 256 פיקסלים מוזנים לשלושה ערוצי RGB, קצב למידה של 0.1, צריבה של 1000, תנע של 0.9, גוון של 0.1 ודעיכה של 0.0005. אובדן האימון ודיוק האימון שימשו למציאת המודל המאומן האופטימלי. חיזוי הסיווג נותח באמצעות המושגים של קביעת פיקסלים והסתברות של % בסף של 50%.

ההשוואה בין שלושה אלגוריתמים פופולריים של רשתות עצביות בסיווג נחקרה כדי למצוא את הטוב ביותר27,30. שלוש רשתות עצביות אלה היו בשימוש נרחב בסיווג תוויות מרובות מחלקות בתחומים רפואיים ווטרינריים 27,34,35. תוצאת ההיסק של המודל המאומן עם הסתברות של % שדורגה 0 עד 1, הייתה מוצדקת מעל הסף של 50%. בנוסף, הודגשו על ידי מפת הקשב זיהוי דפוסים שונים של כל טפיל וספציפיים לגרעין החלק האמצעי של T. evansi. אברון הקינטופלסט הגדול ביותר של החלק הקדמי של T. cruzi בהשוואה לשני המינים האחרים הודגש גם הוא. גם נוקלאז וגם קינטופלסט הודגשו על-ידי מפת הקשב שנמצאה עבור T. brucei (איור 3).

מספר מדדים סטטיסטיים שימשו למדידת שלושת המודלים המוצעים, כולל דיוק, שיעור סיווג שגוי, היזכרות (שיעור חיובי אמיתי), ספציפיות (שיעור שלילי אמיתי), שיעור חיובי כוזב, שיעור שלילי כוזב, דיוק וציון F1. כתוצאה מכך, כמעט כל מדדי ההערכה שהשתמשו ברשת העצבית Densenet201 הראו ערכים טובים יותר מהאחרים. בממוצע, הערכים המטריים של דיוק, היזכרות, ספציפיות, דיוק וציון F1 היו גדולים להפליא ושווים ל- 98%. עם זאת, חשיבות ביצועי המודל גילתה פחות ושווה ל-1.5% משיעורי הסיווג השגוי, החיובי הכוזב והשלילי הכוזב (טבלה 2). בהתחשב בהשוואה המעמדית, נראה כי מודל Densenet201 מזהה נכונה את T. evansi ללא טעות תוך שהוא עושה זאת עם נתוני בדיקה בלתי נראים, מה שמרמז על כך שהמודל המאומן הפוטנציאלי הוא להבחנה בין מיני הטפילים.

באיור 4A-C, ה-AUC תחת עקומת ה-ROC נתן את מידת הדיוק הממוצעת הגבוהה ביותר של 0.931 שהתקבלה ממודל הסיווג הטוב ביותר (איור 4C), אשר ייצג את אישור המודל שנבחר בצורה הטובה ביותר שנחקרה. ה-AUC של T. evansi היה 0.817, נמוך מאחרים (0.980-1.00 עבור T. brucei ו-0.955-0.977 עבור T. cruzi) ובניגוד למדדים הסטטיסטיים לעיל. ייתכן שהסיבה לכך היא ששני ערכים אלה מחושבים באמצעות נוסחאות שונות. ה-AUC התקבל מכל ערכי הסף, אך המדדים הסטטיסטיים הגיעו מסף של 50% בלבד, דבר המצביע על כך שלא ניתן להשוות בין שני ערכים אלה. לפיכך, ערכי AUC עקביים לפי שמות מחלקות שהתקבלו מכל שלושת המודלים מצביעים על הדיוק הכללי של T. brucei >- T. cruzi >- T. evansi, בהתאמה.

אימות צולב K-Fold
כדי להעריך את החוסן של מודל הסיווג שנבחר בצורה הטובה ביותר שנחקר במונחים של הערכת שגיאת החיזוי האמיתית וכוונון פרמטרי המודל כמתואר לעיל36, נעשה שימוש בטכניקת אימות צולב פי חמישה. נעשה פיצול אקראי של הנתונים לחמש תיקיות. נתונים מאומנים שהוקצו על ידי ארבע תיקיות ונתונים שנבדקו עבור תיקיית המנוחה הוכנו לפני האימון עם אלגוריתם הסיווג שנבחר.

כתוצאה מכך, המדדים הסטטיסטיים הממוצעים; דיוק, היזכרות (שיעור חיובי אמיתי), ספציפיות (שיעור שלילי אמיתי), דיוק וציון F1, סיפקו ערכים דומים של המדדים הסטטיסטיים שנחקרו שהראו יותר מ-98% (טבלה 3). בהתחשב בכל מדד שנבדק, נמצא דירוג של 0.992-1.000 ברמת הדיוק. ערכי ספציפיות גבוהים הנעים בין 0.994 ל -1.000 סופקו. הן ציוני היזכרות והן ציוני F1 שנעו בין 0.988 ל -1.000 הוצגו, כמו כן, 0.989-1.000 נחקרו על ידי דיוק. מעניין לציין כי שיעורים נמוכים של סיווג שגוי, תוצאות שליליות שגויות ותוצאות חיוביות כוזבות נמצאו בפחות מ-1.2%. ביצועים איכותיים אלה תמכו במודל המאומן המצטיין עם קיפולי נתונים מגוונים וייצגו חוסן.

בליווי המדדים המוצעים, ה-AUC הממוצע מתחת לעקומת ה-ROC שהתקבל גילה ערכים סגורים הנעים בין 0.937 ל-0.944, מה שנותן ערכים דומים של דיוק כללי בין חמשת קפלי הנתונים (איור 5). ההשוואה הייצוגית סיפקה AUC מגוון של 0.831 עבור T. evansi, 0.982-1.000 עבור T. cruzi, ו- 1.000 עבור T. brucei. למרות שערך AUC של T. evansi היה נמוך יותר מהאחרים, הערכים עשויים להיות חשופים לרמה גבוהה של שיעור חיובי כוזב (~33%) השייכים לספים של 1% עד 97%, מה שמביא לערכי AUC קטנים יותר בהשוואה לאלה של שתי המחלקות האחרות (איור 6).

הלמידה העמוקה ההיברידית: סינון מעשי
בחלק זה, תרומתה של גישת הלמידה העמוקה ההיברידית בין זיהוי אובייקטים, ומצד שני, טכניקת הסיווג, מוצגת באיור 7. תכונות הטפיל והלא-טפיל הובחנו ומעמדם היחסי זוהה בתוך התיבה התוחמת הוורודה באמצעות מודל הזיהוי הראשון. לאחר מכן, המינים הספציפיים של הטפיל אובחנו בצבעים שונים באמצעות מודל סיווג מאומן היטב. התווית הירוקה הייתה עבור T. evansi, התווית הוורודה עבור T. brucei, והתווית הכתומה עבור T. cruzi. תווית הסיווג השנייה לא תוצג אם מודל הזיהוי הראשון נכשל, מה שמרמז על הפונקציות המחוברות היטב בין שני עמודי השדרה השונים של הרשת העצבית במודול D-C של פלטפורמת CIRA CORE הפנימית.

Figure 1
איור 1: ארכיטקטורה עבור מודל היברידי. כל שלושת מיני הטפילים של טריפנוזומים (כולל Trypanosoma evansi, T. brucei ו-T. cruzi) שימשו כקלט. עצמים מרובים בתוך תמונה מיקרוסקופית של 100x זוהו באמצעות מודל הזיהוי. עצם חתוך יחיד מהמודל הקודם סווג אז לפי המין היחסי שלו באמצעות מודל הסיווג הטוב ביותר. מפת קשב המשולבת עם מודל הסיווג הטוב ביותר הדגישה אזורים ספציפיים לכל תווית מחלקה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 2
איור 2: עקומת יחסי ציבור. האזור מתחת לעקומת PR, או ערך AUC, במחקר זה, משמש למדידת היכולת להבחין בין מחלקות שאינן טריפנוזום וטריפנוזום. ניתן לזהות את כל הדגימות בשתי תוויות המחלקה. AUC של 1 הוא חיזוי מושלם, בעוד AUC של 0.5 הוא חיזוי אקראי. העקומה משמשת למדידת הביצועים של מודל הזיהוי המוצע. מודל זה יכול לזהות את מחלקת הטריפנוזום בקצב גבוה יותר (AUC = 0.976) מאשר המחלקה שאינה טריפנוזום (AUC = 0.961). ערך AUC ממוצע של 0.969 התקבל מהתוצאה הבינארית של שתי תוויות מחלקה, הלא טריפנוזום והטריפנוזום. קיצורים: יחסי ציבור = דיוק לעומת היזכרות; AUC = שטח מתחת לעקומה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 3
איור 3: תוצאה חזויה של מודל הסיווג. כל שלושת מיני הטריפנוזום שימשו לבדיקת המודלים המאומנים הטובים ביותר שהוצעו. מוצגות תמונות פלט של הסתברות מבוססת סיווג מינים ומפות קשב. באופן ספציפי, מפות הקשב הדגישו את האזורים המשמעותיים בתוך האובייקט הבלתי נראה שהנחו את האפליה של מיני הטפילים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 4
איור 4: עקומות ROC מבוססות השוואה לפי מודל. AUC תחת עקומת ROC הוא תרשים גרפי של הביצועים של מערכת סיווג המבוססת על סף האפליה המגוון שלה. בדומה לעקומת AUC-PR, AUC-ROC של 1 הוא חיזוי מושלם, בעוד AUC של 0.5 הוא חיזוי אקראי, אשר מסומן על ידי קווים מקווקווים בכל גרף. שלושה מודלים של סיווג הושוו, כולל (A) מודל הסיווגהראשון עם AUC ממוצע של 0.925, (B) הסיווג השני עם AUC ממוצע של 0.924, ו-(C) הסיווג הטוב ביותר עם AUC ממוצע של 0.931. לכן, ככל שה- AUC גבוה יותר, כך הביצועים טובים יותר. קיצורים: ROC = מאפייני הפעלה של מקלט; AUC = שטח מתחת לעקומה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 5
איור 5: אימות צולב פי חמישה. כל הניסויים המבוססים על הסיווג הטוב ביותר של מודלים של רשתות עצביות הושוו. ערכי AUC דומים של נתונים פי חמישה כללו (A) 0.944, (B) 0.944, (C) 0.937, (D) 0.941 ו- (E) 0.938, המצביעים על החוסן של המודל המאומן המוצע המשמש כנגד השונות של הנתונים הביולוגיים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 6
תרשים 6: שיעור חיובי אמיתי ושיעור חיובי מוטעה לכל שם כיתה. ציר ה-X מייצג ערכי סף מ-1% עד 97%. ציר ה-Y מייצג את דרגות המדדים הסטטיסטיים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 7
איור 7: התפוקה הסופית של הדגמים ההיברידיים. השלב האחרון של תרומת המודל ההיברידי יכול להיות מיושם עם נתוני קלט כתמונה מיקרוסקופית גולמית על ידי 20 מיקרומטר. ניתן לקבל את תוצאת החיזוי הן מזיהוי האובייקטים והן ממודלי הסיווג. תוצאת הניבוי הראשונה סיפקה אם תמונת הבדיקה הבלתי נראית הכילה טפילי טריפנוזום עם מלבן (תוויות בצבע ורוד). לאחר מכן תוצאות הסיווג הספציפיות למין הטפיל ילוו בזיהוי הראשון עם תוויות מרובות צבעים; ירוק עבור T. evansi, ורוד עבור T. brucei, וכתום עבור T. cruzi. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

טבלה 1: דיוק ממוצע לפי מחלקה ודיוק ממוצע ממוצע (mAP) של מודל האיתור. אנא לחץ כאן כדי להוריד טבלה זו.

טבלה 2: השוואה בין מודל הסיווג. שמונה מדדי הערכה שימשו למדידת ביצועי המודל, כולל דיוק, שיעור סיווג שגוי, היזכרות (שיעור חיובי אמיתי), ספציפיות (שיעור שלילי אמיתי), שיעור חיובי כוזב, שיעור שלילי כוזב, דיוק וציון F1. הערך המודגש מייצג את תווית הערך הגדול ביותר למחלקה. הערך הנטוי מייצג את הערך הממוצע של כל מדד הערכה. אנא לחץ כאן כדי להוריד טבלה זו.

טבלה 3: אימות צולב פי חמישה. הערך המודגש מייצג את הערך הממוצע למדד הערכה. אנא לחץ כאן כדי להוריד טבלה זו.

Subscription Required. Please recommend JoVE to your librarian.

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) אושרו כשיטות רגישות גבוהה לתמיכה ביעילות ממצאי המעבדה, יש צורך בכימיקלים, מכשירים ואנשי מקצוע יקרים כדי להתמודד איתם, הממוקמים לרוב במעבדה מרכזית במרכז בריאות גדול. מורפולוגיה משותפת, זיהום מעורב ולא בוגר ומאפיינים של שלושה מיני טריפנוזומה מועדים להטיית משתמש ולזיהוי שגוי, מה שמקטין את התגובה לתרופות ואת אמצעי הבקרה37. שימוש באלגוריתמים המותאמים וההיברידיים בין שני מודלים שונים של למידה עמוקה בתוך תוכנית הבינה המלאכותית המוצעת יכול להתגבר על אתגרים רבים, ולהפוך עידן חדש של טקסונומיה סטנדרטית לאוטומטי ובר השגה. פרסומים קודמים אישרו את הפוטנציאל של מודלים היברידיים בזיהוי שלבי דם מלריה27,38. להלן ההסבר על הפרוטוקול להכשרה, בדיקה והערכה של מודלי הבינה המלאכותית המוצעים לזיהוי השלבים הבשלים של שלושה מיני טריפנוזומה ידועים בתהליך פשוט לניתוח לצורך זיהוי מעשי וכימות נוסף של פרוטוזואה טפילית תחת שדה מיקרוסקופי.

המודל המוצע מסתכל מעבר למודל למידת המכונה באמצעות אלגוריתם היער האקראי, שיושם כדי לזהות את הזיהום של T. cruzi מדגימות כתם דם. מודל למידת המכונה השיג דיוק של 87.6%, רגישות של 90.5%, ואזור מתחת למקלט עקומת הפעלה אופיינית של 0.94239. בשנת 2015 נערכו שתי שיטות הנקראות AdaBoost learning ו-SVM learning כדי להבדיל בין T. cruzi לבין זיהום במלריה במריחות דם. למרות שדווח על רמה גבוהה של רגישות וספציפיות כאחד, נבדק מערך נתונים מוגבל של 120 תמונות צבע בממד נמוך 256 × 256 פיקסלים, אשר עשוי שלא לייצג את כלל האוכלוסייה40. במחקר זה, שלושה מיני טריפנוזומה זואונוטיים ידועים (למשל, T. cruzi, T. brucei ו- T. evansi) הופרדו באמצעות מודל הכלאה המוצע, אשר השיג ביצועים טובים יותר ממחקרים קודמים שתוארו לעיל. זה מייצג את העלות-תועלת של מודל הלמידה העמוקה. עם זאת, מספר מערכי נתונים גדולים עשויים לדרוש אימות של ביצועי המודל המוצע כדי לאשר את הכללתו41. ל- T. lewisi יש פוטנציאל להדביק בני אדם באופן אופורטוניסטי, והוא מוכר כמחלה זואונוטית מתפתחת המועברת על ידי חולדות, הקשורה לעתים קרובות לתנאי עוני. מקרים תועדו בכמה מדינות, כמו תאילנד וסין20,42. יתר על כן, המורפולוגיה של T. evansi ו- T. lewisi נושאת דמיון בולט17. כדי לשפר את מערך הנתונים ואת המודל המוצע, הכללת מופעים נוספים של T. lewisi עשויה להועיל בפיתוח מודל למידה עמוקה בעתיד. כדי להרחיב את היקף טכניקות הלמידה העמוקה הפוטנציאליות לאבחון טריפנוזומים נוספים של בעלי חיים, מומלץ לאסוף מערכי נתונים עבור מינים אחרים כגון T. vivax, T. theileria ו- T. melophagium. אתגר משמעותי אחד שיש לטפל בו הוא האבחנה של זיהומים מעורבים המערבים מיני טריפנוזומה שונים, שכן שיטות זיהוי נוגדנים עשויות להציג ספציפיות מופחתת עקב תגובות צולבות43. חיוני לשפר ולבצר טכניקות אבחון כדי לקדם יישומי בינה מלאכותית ולשמור על בריאותם של בעלי חיים, בני אדם והסביבה.

לפני אימון תוכנית הבינה המלאכותית המוצעת לזהות את התמונה הדו-ממדית של פרוטוזואה הטפיל, הקריטריונים החשובים הדרושים להשלמתה, כגון גודל מדגם גדול, איזון מעמדות, הגדלת נתונים ותיוג איכותי על ידי מומחים. כשלבים קריטיים, אות השגיאה של שלב האימון יכול להיחשף על ידי אנשי מקצוע כדי לשחזר את תוויות האמת הקרקעית הן עבור האלגוריתמים של הרשת האפלה והן עבור האלגוריתמים של Densenet. יתרון מרכזי של תוכנית הבינה המלאכותית המוצעת הוא השימוש הידידותי שלה למשתמשים שאינם מקודדים באמצעות שלבי גרירה ושחרור קלים. תכונה חשובה נוספת היא מודול השילוב של גרסת הזיהוי ומפת הקשב המשולב עם מודלי הסיווג, המסייע להקל על בדיקת הנתונים הבלתי נראים מהר ככל האפשר מבלי לדאוג לפורמט קובץ התמונה הגולמית. הסיבה לכך היא שניתן להשתמש במגוון רחב יותר של תבניות תמונה, כולל .jpeg, .jpg, .png, .tif, .tiff, .pdf ו- .bmp. יישום של תוכנית AI עם רכיב c-mount של המיקרוסקופ יכול להוביל לזיהוי בזמן אמת באזורים מרוחקים.

מגבלות השיטה עשויות להשפיע על הפרוטוקולים המוצעים בשלב טרום האימון. לפני תחילת אימון מודל AI, חלק מהדרישות צריכות להיות מוכנות היטב, במיוחד, איכות מערך הנתונים ותוויות מומחים. בתוך מערך הנתונים, גודל מדגם קטן וחוסר איזון מעמדי הובילו את המודל להגיע למינימה הגלובלית ולהתקשות להגיע לשלב האופטימלי. השימוש בגודל מדגם גדול ואיזון הנתונים מסייעים לייעל את המודל עם דיוק גבוה ואובדן נמוך במהלך האימון. הווריאציה של הדימויים, כגון השלב ההתפתחותי דרך תקופת מחזור החיים של הפרוטוזואה והצבעים המגוונים על ידי צביעת Giemsa 27,44, סקאלות הסביבה והתמונה, מבקשות להיות מנורמלות לפני שהן מוזנות לאימון של שני מודלי הלמידה העמוקה. כדי לתקן את הבעיות המוצעות שהוזכרו לעיל, ניתן להשתמש בפונקציות אוגמנטציה שונות כגון זוויות סיבוב, בהירות וניגודיות, סלטות אנכיות ואופקיות, רעש גאוסיאני, וטשטוש גאוסיאני, כדי להתמודד עם שלב45 לפני האימון.

היישום החשוב של מודלי הבינה המלאכותית ההיברידית המוצעים הוא לזהות את הפרוטוזואן הטפילי בזמן אמת בנתונים המיקרוסקופיים כנתונים גולמיים מהמיקרוסקופ, תמונות קפואות וקטעי וידאו. זה מאפשר לנו לפרוס את המודל המאומן עם מכשירים משובצים46, יישום נייד מבוסס ענן47, ממשק משתמש דפדפן (BUI)48, ופריסת מודל מבוסס אינטרנט49. כתוצאה מכך, למודל הבינה המלאכותית יש פוטנציאל ליישם למידה עמוקה היברידית למעקב פעיל ולספק תוצאה בזמן בשל יכולתו לתמוך בהחלטת הצוות המקומי תוך אלפיות השנייה, מה שמציע טכנולוגיית סינון אוטומטית לאפידמיולוגיה עזרית.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

לכל המחברים אין גילויים כספיים ואין ניגודי אינטרסים.

Acknowledgments

עבודה זו (מענק מחקר לחוקר חדש, מענק מס' RGNS 65 - 212) נתמך כספית על ידי משרד המזכיר הקבוע, משרד ההשכלה הגבוהה, המדע, המחקר והחדשנות (OPS MHESI), המחקר והחדשנות המדעית של תאילנד (TSRI) והמכון הטכנולוגי של המלך מונגקוט Ladkrabang. אנו אסירי תודה למועצת המחקר הלאומית של תאילנד (NRCT) [NRCT5-RSA63001-10] על מימון פרויקט המחקר. M.K. מומן על ידי קרן המחקר והחדשנות המדעית של תאילנד אוניברסיטת צ'ולאלונגקורן. אנו מודים גם למכללה לחדשנות בייצור מתקדם, המכון הטכנולוגי של המלך מונגקוט, Ladkrabang שסיפקו את פלטפורמת הלמידה העמוקה והתוכנה לתמיכה בפרויקט המחקר.

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

DOWNLOAD MATERIALS LIST

References

  1. Kasozi, K. I., et al. Epidemiology of trypanosomiasis in wildlife-implications for humans at the wildlife interface in Africa. Frontiers in Veterinary Science. 8, 621699 (2021).
  2. Ola-Fadunsin, S. D., Gimba, F. I., Abdullah, D. A., Abdullah, F. J. F., Sani, R. A. Molecular prevalence and epidemiology of Trypanosoma evansi among cattle in peninsular Malaysia. Acta Parasitologica. 65 (1), 165-173 (2020).
  3. Aregawi, W. G., Agga, G. E., Abdi, R. D., Buscher, P. Systematic review and meta-analysis on the global distribution, host range, and prevalence of Trypanosoma evansi. Parasites & Vectors. 12 (1), 67 (2019).
  4. Joshi, P. P., et al. Human trypanosomiasis caused by Trypanosoma evansi in India: the first case report. The Am Journal of Tropical Medicine and Hygiene. 73 (3), 491-495 (2005).
  5. Lidani, K. C. F., et al. Chagas disease: from discovery to a worldwide health problem. Frontiers in Public Health. 7, 166 (2019).
  6. Sazmand, A., Desquesnes, M., Otranto, D. Trypanosoma evansi. Trends in Parasitology. 38 (6), 489-490 (2022).
  7. Powar, R. M., et al. A rare case of human trypanosomiasis caused by Trypanosoma evansi.Indian. Journal of Medical Microbiology. 24 (1), 72-74 (2006).
  8. Shegokar, V. R., et al. Short report: Human trypanosomiasis caused by Trypanosoma evansi in a village in India: preliminary serologic survey of the local population. American Journal of Tropical Medicine and Hygiene. 75 (5), 869-870 (2006).
  9. Haridy, F. M., El-Metwally, M. T., Khalil, H. H., Morsy, T. A. Trypanosoma evansi in dromedary camel: with a case report of zoonosis in greater Cairo, Egypt. Journal of the Egyptian Society of Parasitology. 41 (1), 65-76 (2011).
  10. Dey, S. K. CATT/T.evansi antibody levels in patients suffering from pyrexia of unknown origin in a tertiary care hospital in Kolkata. Research Journal of Pharmaceutical, Biological and Chemical Sciences. 5, 334-338 (2014).
  11. Dakshinkar, N. P., et al. Aberrant trypanosomias in human. Royal Veterinary Journal of India. 3 (1), 6-7 (2007).
  12. Vn Vinh Chau, N., et al. A clinical and epidemiological investigation of the first reported human infection with the zoonotic parasite Trypanosoma evansi in Southeast Asia. Clinical Infectious Diseases. 62 (8), 1002-1008 (2016).
  13. Misra, K. K., Roy, S., Choudhary, A. Biology of Trypanosoma (Trypanozoon) evansi in experimental heterologous mammalian hosts. Journal of Parasitic Diseases. 40 (3), 1047-1061 (2016).
  14. Nakayima, J., et al. Molecular epidemiological studies on animal trypanosomiases in Ghana. Parasites & Vectors. 5, 217 (2012).
  15. Riana, E., et al. The occurrence of Trypanosoma in bats from Western Thailand. The 20th Chulalongkorn University Veterinary Conference CUVC 2021: Research in practice. 51, Bangkok, Thailand. (2021).
  16. Camoin, M., et al. The Indirect ELISA Trypanosoma evansi in equids: optimisation and application to a serological survey including racing horses, in Thailand. BioMed Research International. 2019, 2964639 (2019).
  17. Truc, P., et al. Atypical human infections by animal trypanosomes. PLoS Neglected Tropical Diseases. 7 (9), 2256 (2013).
  18. Desquesnes, M., et al. Diagnosis of animal trypanosomoses: proper use of current tools and future prospects. Parasites & Vectors. 15 (1), 235 (2022).
  19. Da Silva, A. S., et al. Trypanocidal activity of human plasma on Trypanosoma evansi in mice. Revista Brasileira de Parasitologia Veterinaria. 21 (1), 55-59 (2012).
  20. Desquesnes, M., et al. Trypanosoma evansi and surra: a review and perspectives on transmission, epidemiology and control, impact, and zoonotic aspects. BioMed Research International. 2013, 321237 (2013).
  21. World Health Organization. A new form of human trypanosomiasis in India. Description of the first human case in the world caused by Trypanosoma evansi. Weekly Epidemiological Record. 80 (7), 62-63 (2005).
  22. Naing, K. M., et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Computer Science. 8, 1065 (2022).
  23. Wongsrichanalai, C., Barcus, M. J., Muth, S., Sutamihardja, A., Wernsdorfer, W. H. A review of malaria diagnostic tools: microscopy and rapid diagnostic test (RDT). American Journal of Tropical Medicine and Hygiene. 77, 119-127 (2007).
  24. Rostami, A., Karanis, P., Fallahi, S. Advances in serological, imaging techniques and molecular diagnosis of Toxoplasma gondii infection. Infection. 46 (3), 303-315 (2018).
  25. Ahmad, Z., Rahim, S., Zubair, M., Abdul-Ghafar, J. Artificial intelligence (AI) in medicine, current applications and future role with special emphasis on its potential and promise in pathology: present and future impact, obstacles including costs and acceptance among pathologists, practical and philosophical considerations. A comprehensive review. Diagnostic Pathology. 16 (1), 24 (2021).
  26. Sarker, I. H. Deep learning: a comprehensive overview on techniques, taxonomy, applications and research directions. SN Computer Science. 2 (6), 420 (2021).
  27. Kittichai, V., et al. Classification for avian malaria parasite Plasmodium gallinaceum blood stages by using deep convolutional neural networks. Scientific Reports. 11 (1), 16919 (2021).
  28. Baskota, S. U., Wiley, C., Pantanowitz, L. The next generation robotic microscopy for intraoperative teleneuropathology consultation. Journal of Pathology Informatics. 11, 13 (2020).
  29. Bochkovskiy, A., Wang, C. -Y., Liao, H. -Y. M. YOLOv4: optimal speed and accuracy of object detection. arXiv. , 10934 (2004).
  30. Huang, G., Liu, Z., vander Maaten, L., Weinberger, K. Q. Densely connected convolutional networks. arXiv. , 06993 (2018).
  31. CDC-DPDx. Diagnostic procedures - Blood specimens. , Available from: https://www.cdc.gov/dpdx/diagosticprocedures/blood/specimenproc.html#print (2020).
  32. World Health Organization. Control and surveillance of African trypanosomiasis: report of a WHO expert committee. WHO Technical Report Series 881. , Available from: https://iris.who.int/bitstream/handle/10665/42087/WHO_TRS_881.pdf?sequence=1 (1998).
  33. Leber, A. L. Detection of blood parasites. Clinical Microbiology Procedures Handbook. , ASM Press. Washington, DC. (2022).
  34. Huang, L. -P., Hong, M. -H., Luo, C. -H., Mahajan, S., Chen, L. -J. A vector mosquitoes classification system based on edge computing and deep learning. Proceedings-2018 Conmference on Technologies and Applications of Artifical Intelligence. , Taichung, Taiwan. 24-27 (2018).
  35. Cihan, P., Gökçe, E., Kalipsiz, O. A review of machine learning applications in veterinary field. Kafkas Universitesi Veteriner Fakultesi Dergisi. 23 (4), 673-680 (2017).
  36. Berrar, D. Cross-validation. Encyclopedia of Bioinformatics and Computational Biology. 1, 542-545 (2019).
  37. Gaithuma, A. K., et al. A single test approach for accurate and sensitive detection and taxonomic characterization of Trypanosomes by comprehensive analysis of internal transcribed spacer 1 amplicons. PLoS Neglected Tropical Diseases. 13 (2), 0006842 (2019).
  38. Vijayalakshmi, A., Rajesh Kanna, B. Deep learning approach to detect malaria from microscopic images. Multimedia Tools and Applications. 79 (21-22), 15297-15317 (2019).
  39. Morais, M. C. C., et al. Automatic detection of the parasite Trypanosoma cruzi in blood smears using a machine learning approach applied to mobile phone images. PeerJ. 10, 13470 (2022).
  40. Uc-Cetina, V., Brito-Loeza, C., Ruiz-Pina, H. Chagas parasite detection in blood images using AdaBoost. Computational and Mathematical Methods in Medicine. 2015, 139681 (2015).
  41. Zhang, C., et al. Deep learning for microscopic examination of protozoan parasites. Computational and Structural Biotechnology Journal. 20, 1036-1043 (2022).
  42. Sarataphan, N., et al. Diagnosis of a Trypanosoma lewisi-like (Herpetosoma) infection in a sick infant from Thailand. Journal of Medical Microbiology. 56, 1118-1121 (2007).
  43. Desquesnes, M., et al. A review on the diagnosis of animal trypanosomoses. Parasites & Vectors. 15 (1), 64 (2022).
  44. Fuhad, K. M. F., et al. Deep learning based automatic malaria parasite detection from blood smear and its smartphone based application. Diagnostics (Basel). 10 (5), 329 (2020).
  45. Christian Matek, S. S., Spiekermann, K., Marr, C. Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nature Machine Intelligence. 1, 538-544 (2019).
  46. Hamdan, S., Ayyash, M., Almajali, S. Edge-computing architectures for internet of things applications: a survey. Sensors (Basel). 20 (22), 6441 (2020).
  47. Visser, T., et al. A comparative evaluation of mobile medical APPS (MMAS) for reading and interpreting malaria rapid diagnostic tests. Malaria Journal. 20 (1), 39 (2021).
  48. Giorgi, E., Macharia, P. M., Woodmansey, J., Snow, R. W., Rowlingson, B. Maplaria: a user friendly web-application for spatio-temporal malaria prevalence mapping. Malaria Journal. 20 (1), 471 (2021).
  49. Rajaraman, S., Jaeger, S., Antani, S. K. Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ. 7, 6977 (2019).

Tags

זיהוי אוטומטי מעולה טפילי טריפנוזום מודל למידה עמוקה היברידי טריפנוסומיזיס בעיית בריאות הציבור דרום אסיה דרום מזרח אסיה אזורים חמים מעקב פעיל בדיקה מיקרוסקופית כוח אדם מיומן תוכנית בינה מלאכותית (AI) טכניקת למידה עמוקה היברידית זיהוי אובייקטים סיווג אובייקטים עמוד שדרה של רשת עצבית פלטפורמת AI עם קידוד מועט (CiRA CORE) מיני טריפנוזום פרוטוזואן טריפנוזומה קרוזי ט. ברוסי ט. אוונסי טבילת שמן תמונות מיקרוסקופיות זיהוי תבניות גרעין וקינטופלסט מפת תשומת לב מדדים סטטיסטיים דיוק היזכרות ספציפיות דיוק ציון F1 שיעור סיווג שגוי עקומות מאפייני הפעלה של מקלט (ROC) עקומות דיוק לעומת היזכרות (PR)
זיהוי אוטומטי מעולה של טפילי טריפנוזום באמצעות מודל היברידי של למידה עמוקה
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Kittichai, V., Kaewthamasorn, M.,… More

Kittichai, V., Kaewthamasorn, M., Thanee, S., Sasisaowapak, T., Naing, K. M., Jomtarak, R., Tongloy, T., Chuwongin, S., Boonsang, S. Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model. J. Vis. Exp. (200), e65557, doi:10.3791/65557 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter