Auto-identification supérieure des parasites trypanosomes à l’aide d’un modèle hybride d’apprentissage profond

Summary

Les parasites sanguins médicaux du monde entier ont été automatiquement dépistés à l’aide d’étapes simples sur une plateforme d’IA low-code. Le diagnostic prospectif des films sanguins a été amélioré par l’utilisation d’une méthode de détection et de classification d’objets dans un modèle hybride d’apprentissage profond. La collaboration d’une surveillance active et de modèles bien entraînés permet d’identifier les points chauds de transmission des trypanosomes.

Abstract

La trypanosomiase est un problème de santé publique important dans plusieurs régions du monde, notamment en Asie du Sud et en Asie du Sud-Est. L’identification des zones à risque sous surveillance active est une procédure fondamentale pour contrôler la transmission de la maladie. L’examen microscopique est une méthode de diagnostic couramment utilisée. Néanmoins, elle s’appuie principalement sur un personnel qualifié et expérimenté. Pour résoudre ce problème, un programme d’intelligence artificielle (IA) a été introduit qui utilise une technique hybride d’apprentissage profond d’identification d’objets et de classification d’objets sur des dorsales de réseaux neuronaux à faible code (CiRA CORE). Le programme permet d’identifier et de classer les espèces de trypanosomes protozoaires, à savoir Trypanosoma cruzi, T. brucei et T. evansi, à partir d’images microscopiques par immersion dans l’huile. Le programme d’IA utilise la reconnaissance des formes pour observer et analyser plusieurs protozoaires dans un seul échantillon de sang et met en évidence le noyau et le kinétoplaste de chaque parasite en tant que caractéristiques spécifiques à l’aide d’une carte d’attention.

Pour évaluer les performances du programme d’IA, deux modules uniques sont créés qui fournissent une variété de mesures statistiques telles que l’exactitude, le rappel, la spécificité, la précision, le score F1, le taux d’erreur de classification, les courbes des caractéristiques de fonctionnement du récepteur (ROC) et les courbes de précision par rapport au rappel (PR). Les résultats de l’évaluation montrent que l’algorithme d’IA est efficace pour identifier et catégoriser les parasites. En fournissant un outil de dépistage rapide, automatisé et précis, cette technologie a le potentiel de transformer la surveillance et le contrôle des maladies. Cela pourrait également aider les responsables locaux à prendre des décisions plus éclairées sur les stratégies de blocage de la transmission des maladies.

Introduction

La trypanosomiase est un défi important pour les problèmes de santé mondiaux en raison d’une variété d’espèces zoonotiques causant des maladies humaines avec un large éventail de distributions géographiques en dehors des continents africain et américain, comme l’Asie du Sud et du Sud-Est ^1,2,3. La trypanosomiase humaine africaine (THA), ou maladie du sommeil, est causée par Trypanosoma brucei gambiense et T. b. rhodesiense qui produisent respectivement les formes chroniques et aiguës, représentant la principale propagation en Afrique. Le parasite responsable appartient au groupe des Salivaria en raison de la transmission par la salive infectée des mouches tsé-tsé⁴. Attendu que la célèbre trypanosomiase américaine (maladie de Chagas) causée par T. cruzi a été un problème de santé publique pour les pays non endémiques ; y compris le Canada, les États-Unis, l’Europe, l’Australie et le Japon, en raison de la migration fréquente d’individus en provenance de zones endémiques⁵. L’infection à trypanosome appartient au groupe des Stercoraria car elle est transmise par les excréments infectés de punaises réduviides. Les trypanosomiases et les trypanosomoses (maladie de Surra) causées par l’infection à T. evansi sont endémiques en Afrique, en Amérique du Sud, en Asie occidentale et orientale et dans les pays d’Asie du Sud et du Sud-Est ^3,6. Bien que des cas de trypanosomiase humaine causée par le trypanosome aient été rapportés 3,4,7,8,9,10,11,12, la voie de transmission de l’infection parasitaire est débattue : soit le sang mécanique, soit le sang infecté par des insectes hématophages tels que les mouches tsé-tsé et les tabanidés ou les taons ^6,7, 8,9,10,12,13,14. Aucun cas n’a été signalé en Thaïlande, cependant, une prévalence élevée de l’infection à T. evansi chez les chiens¹⁵, les chevaux de course et les buffles d’eau dans la région orientale a été publiée¹⁶, ce qui suggère qu’une transmission acquise entre animaux domestiques se serait produite. Plusieurs infections humaines atypiques causées par des trypanosomes animaux (T. vivax, T. b. brucei, T. congolense, T. lewisi et T. evansi) ont été rapportées, qui ne sont pas les formes classiques des trypanosomes humains¹⁷. La sensibilisation aux infections humaines atypiques pourrait être sous-estimée, ce qui souligne la nécessité d’améliorer les tests de diagnostic et les enquêtes sur le terrain pour détecter et confirmer ces cas atypiques, et permettre un contrôle et un traitement appropriés des maladies pathogènes animales qui affectent le bétail mondial, la sécurité alimentaire¹⁸ et les soins de santé humaine. Cela a conduit à l’élaboration d’une stratégie potentielle intégrée à une méthode commune existante (examen microscopique) pour dépister rapidement des échantillons de sang dans des zones éloignées pendant la surveillance active, permettant d’identifier les zones à risque pour restreindre et contrôler la maladie.

L’incidence sporadique de la maladie de Surra chez un large éventail d’animaux domestiques tels que les dromadaires, les bovins, les équidés et les chiens qui évoquent un T. evansi euryxène peut être zoonotique pour les humains 1,4,13,14. L’infection humaine semble impossible parce qu’un facteur trypanolytique dans le sérum humain, exprimé à partir d’un gène de type sra, est capable de prévenir T. brucei et T. congolense humains ^12,19. De plus, comme le montre le premier rapport de cas en Inde, la maladie n’est pas associée aux patients immunodéprimés atteints du VIH⁴. Comme décrit ci-dessus, l’infection humaine possible peut être liée à un déficit en lipoprotéines de haute densité avec une fonction anormale du facteur lytique trypanosome, qui est une maladie génétique autosomique récessive rare, à savoir la maladie de Tanger⁴. En 2016, on a découvert qu’un patient vietnamien possédait deux allèles APOL1 de type sauvage et une concentration sérique d’APOL1 dans la fourchette normale. Cependant, la théorie du déficit en APOL-1 n’est plus considérée comme valide¹². Par conséquent, l’un des mécanismes possibles de l’infection à trypanosome est le contact direct d’une plaie avec du sang d’animal infecté lors d’un élevage professionnel ^4,12. L’examen microscopique révèle que la morphologie de T. evansi est une forme monomorphe du trypomastigote comprenant un trypanosome prédominant, long, mince, flagellé et diviseur qui est similaire à leur espèce apparentée de T. brucei ^1,12,13. Le noyau est en position centrale avec un petit kinétoplaste visible en position postérieure. Une étude antérieure a indiqué que le parasite peut exister sous deux formes comparables, connues sous le nom de formes classiques et tronquées. Cependant, il reste nécessaire de confirmer leurs effets pathogènes respectifs sur les hôtes²⁰. L’évolution des symptômes varie allant de la fièvre intermittente associée à des frissons et à la transpiration. Heureusement, la suramine est un traitement de première intention efficace pour la trypanosomiase humaine africaine à un stade précoce sans invasion du système nerveux central (SNC), guérissant des patients en Inde et au Vietnam ^4,12,21.

À l’exception de l’examen des signes cliniques, il existe plusieurs méthodes de diagnostic des parasites de T. evansi, notamment l’observation microscopique parasitologique ^4,9,12, l’observation sérologique 4,8,9,10,12 et les tests de biologie moléculaire ^4,12. Des films de sang mince colorés au Giemsa sont souvent utilisés pour visualiser le parasite présent lors d’un examen microscopique, qui est couramment utilisé²². Cependant, la procédure semble réalisable ; Néanmoins, elle prend beaucoup de temps et de main-d’œuvre, présente une variabilité d’évaluation inter-évaluateurs, n’est sensible qu’à une phase aiguë et nécessite un stagiaire personnel²³. La biologie moléculaire et les tests sérologiques nécessitaient également un personnel hautement qualifié pour effectuer de multiples processus de préparation des échantillons, y compris l’extraction et la purification des échantillons avant de les tester avec des appareils coûteux, difficiles à normaliser, le risque de contamination par des matériaux extraparasitaires et les divergences dans les résultats²⁴. Sur la base de la justification décrite ci-dessus, une technologie de dépistage rapide et précoce est nécessaire pour soutenir l’étude de surveillance sur le terrain et s’assurer que les résultats de l’enquête sont communiqués en temps opportun afin d’identifier la zone à risque pour un contrôle plus poussé de la transmission de la maladie ^1,8. Les dispositifs informatisés (CAO) ont été proposés comme une technologie innovante pour les domaines médicaux, y compris les tâches histopathologiques et cytopathologiques²⁵. La CAO mentionnée ci-dessus a été réalisée à grande vitesse et calculée à l’aide de la reconnaissance de formes, à savoir l’intelligence artificielle (IA). La méthode d’IA est réalisée à l’aide d’algorithmes de réseaux neuronaux convolutifs qui peuvent être utilisés pour traiter un grand nombre d’échantillons de jeux de données, en particulier une approche d’apprentissage supervisé qui entraîne un modèle bien entraîné lors de la consommation de données.

En général, l’IA est la capacité des ordinateurs à résoudre des tâches qui nécessitent une intelligence experte, comme l’étiquetage des données. L’apprentissage automatique (ML), un sous-domaine de l’IA, est représenté comme un système informatique avec deux processus différents comprenant l’extraction de caractéristiques et la reconnaissance de formes. L’apprentissage profond (DL), ou algorithmes avancés d’apprentissage automatique, fait référence au développement de programmes et d’appareils informatisés comparant des performances de type humain à des niveaux de précision supérieurs et égaux à ceux accomplis par des professionnels humains²⁶. À l’heure actuelle, le rôle de la DL dans les domaines médical et vétérinaire est prometteur pour l’expansion et la révolution de la prévention des maladies transmissibles dans le but d’une prévention récente et de l’orientation vers le personnel de santé individuel^22,27. L’application potentielle de DL est illimitée avec des labels de qualité et un grand nombre de jeux de données augmentés, libérant ainsi des spécialistes pour gérer la tâche du projet. Plus précisément, une avancée dans l’image numérique ainsi que l’analyse assistée par ordinateur ont amélioré le diagnostic et le dépistage automatiques dans cinq catégories de pathologies rapportées ; y compris les méthodes statiques, dynamiques, robotiques, d’imagerie de lames entières et hybrides²⁸. Il est nécessaire de considérer que l’intégration d’approches d’algorithmes de DL et de données d’images numériques pourrait encourager le personnel local à utiliser la technologie dans ses pratiques quotidiennes.

Auparavant, l’augmentation de la précision de la prédiction de l’utilisation d’un modèle hybride avait été prouvée²⁷. Afin d’identifier le parasite trypanosome dans des images microscopiques, cette recherche présente deux modèles hybrides, intégrant les algorithmes YOLOv4-tiny (détection d’objets) et Densenet201 (classification d’objets). Parmi plusieurs modèles de détection, YOLOv4-tiny avec un backbone CSPDarknet53 a montré des performances élevées en tant que résultat de prédiction en termes de localisation et de classification²⁹. Étant donné que le détecteur en temps réel a modifié l’équilibre optimal entre la résolution du réseau d’entrée, la quantité de la couche convolutive, le paramètre total et le nombre de sorties de couche, il a amélioré la hiérarchisation des vitesses de fonctionnement rapides et l’optimisation des calculs parallèles par rapport aux versions précédentes. Le réseau convolutif dense (DenseNet) est un autre modèle populaire qui permet d’obtenir des résultats de pointe sur des ensembles de données concurrents. DenseNet201 a donné une erreur de validation similaire comparable à celle de ResNet101 ; cependant, DenseNet201 a moins de 20 millions de paramètres, ce qui est moins que les plus de 40 millions de paramètres de ResNet101³⁰. Par conséquent, le modèle DenseNet pourrait améliorer la précision des prédictions avec un nombre croissant de paramètres sans aucun signe de surapprentissage. Ici, un programme d’intelligence artificielle (IA) utilise un algorithme hybride d’apprentissage profond avec des dorsales de réseau neuronal de détection et de classification approfondies sur la plate-forme interne CiRA CORE. Le programme développé permet d’identifier et de classer les espèces de trypanosomes protozoaires, à savoir Trypanosoma cruzi, T. brucei et T. evansi, à partir d’images microscopiques immergées dans l’huile. Cette technologie a le potentiel de révolutionner la surveillance et le contrôle des maladies en fournissant une méthode de dépistage rapide, automatisée et précise. Cela pourrait aider le personnel local à prendre des décisions plus éclairées sur les stratégies de blocage de la transmission de la maladie parasitaire à protozoaires.

Protocol

Les films sanguins archivés et la conception du projet ont été approuvés par le Comité institutionnel de biosécurité, le Comité institutionnel de soins et d’utilisation des animaux de la Faculté des sciences vétérinaires de l’Université Chulalongkorn (IBC n° 2031033 et IACUC n° 1931027) et le Comité d’éthique de la recherche humaine de l’Institut de technologie du roi Mongkut à Ladkrabang (EC-KMITL_66_014). 1. Préparation des images brutes P…

Representative Results

Dans cette étude, des algorithmes hybrides d’apprentissage profond ont été proposés pour aider à prédire automatiquement la positivité d’un échantillon de sang avec une infection par le parasite trypanosome. Des films sanguins archivés et colorés par Giemsa ont été triés pour localiser et classer les parasitaires par rapport aux non-parasites en utilisant l’algorithme de détection d’objets basé sur un réseau neuronal de base du darknet. Dans tous les résultats de prédiction de boîtes rectangula…

Discussion

L’observation microscopique de l’infection par les protozoaires à Trypanosoma est précoce et couramment utilisée, en particulier lors de la surveillance dans les zones reculées où il y a un manque de techniciens qualifiés et des processus à forte intensité de main-d’œuvre et de temps qui sont autant d’obstacles à la déclaration de l’organisation sanitaire en temps opportun. Bien que les techniques de biologie moléculaire telles que l’immunologie et la réaction en chaîne par polymérase (PCR) aie…

Materials

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