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

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. congolense^12,19 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 פרטני^22,27. 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.

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). <p class="j…

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. …

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) א…

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