التعرف التلقائي الفائق على طفيليات المثقبيات باستخدام نموذج التعلم العميق الهجين
Summary
تم فحص طفيليات الدم الطبية في جميع أنحاء العالم تلقائيا باستخدام خطوات بسيطة على منصة الذكاء الاصطناعي منخفضة التعليمات البرمجية. تم تحسين التشخيص المستقبلي لأغشية الدم باستخدام طريقة الكشف عن الأشياء وتصنيفها في نموذج التعلم العميق الهجين. يساعد التعاون بين المراقبة النشطة والنماذج المدربة تدريبا جيدا على تحديد النقاط الساخنة لانتقال المثقبيات.
Abstract
داء المثقبيات مشكلة صحية عمومية كبيرة في عدة مناطق في جميع أنحاء العالم، بما في ذلك جنوب آسيا وجنوب شرق آسيا. ويعد تحديد المناطق الساخنة الخاضعة للترصد النشط إجراء أساسيا لمكافحة انتقال المرض. الفحص المجهري هو طريقة تشخيصية شائعة الاستخدام. ومع ذلك ، فهي تعتمد في المقام الأول على الموظفين المهرة وذوي الخبرة. لمعالجة هذه المشكلة ، تم تقديم برنامج الذكاء الاصطناعي (الذكاء الاصطناعي) الذي يستخدم تقنية التعلم العميق الهجينة لتحديد الكائنات والعمود الفقري للشبكة العصبية لتصنيف الكائنات على منصة الذكاء الاصطناعي منخفضة التعليمات البرمجية الداخلية (CiRA CORE). يمكن للبرنامج تحديد وتصنيف أنواع المثقبيات الأولية ، وهي Trypanosoma cruzi و T. brucei و T. evansi ، من الصور المجهرية بالغمر بالزيت. يستخدم برنامج الذكاء الاصطناعي التعرف على الأنماط لمراقبة وتحليل العديد من البروتوزوا داخل عينة دم واحدة ويسلط الضوء على النواة والحركية لكل طفيلي كسمات مميزة محددة باستخدام خريطة الانتباه.
لتقييم أداء برنامج الذكاء الاصطناعي ، يتم إنشاء وحدتين فريدتين توفران مجموعة متنوعة من المقاييس الإحصائية مثل الدقة ، والاستدعاء ، والنوعية ، والدقة ، ودرجة F1 ، ومعدل التصنيف الخاطئ ، ومنحنيات خصائص تشغيل جهاز الاستقبال (ROC) ، ومنحنيات الدقة مقابل الاستدعاء (PR). تظهر نتائج التقييم أن خوارزمية الذكاء الاصطناعي فعالة في تحديد وتصنيف الطفيليات. من خلال تقديم أداة فحص سريعة وآلية ودقيقة ، فإن هذه التكنولوجيا لديها القدرة على تحويل مراقبة الأمراض ومكافحتها. كما يمكن أن يساعد المسؤولين المحليين في اتخاذ قرارات أكثر استنارة بشأن استراتيجيات منع انتقال الأمراض.
Introduction
يمثل داء المثقبيات تحديا كبيرا لقضايا الصحة العالمية بسبب مجموعة متنوعة من الأنواع الحيوانية المنشأ التي تسبب الأمراض البشرية مع مجموعة واسعة من التوزيع الجغرافي خارج القارتين الأفريقية والأمريكية ، مثل جنوب وجنوب شرق آسيا1،2،3. داء المثقبيات الأفريقي البشري (HAT) أو مرض النوم ، هو سبب المثقبية البروسية الغامبية و T. b. rhodesiense التي تنتج الأشكال المزمنة والحادة ، على التوالي ، والتي تمثل الانتشار الرئيسي في أفريقيا. ينتمي الطفيلي المسبب إلى مجموعة اللعاب بسبب انتقال ذباب تسي تسي عن طريق اللعاب المصاب4. وحيث أن داء المثقبيات الأمريكي المعروف (مرض شاغاس) الناجم عن بكتيريا T. cruzi كان مصدر قلق للصحة العامة للبلدان غير الموبوءة ؛ بما في ذلك كندا والولايات المتحدة الأمريكية وأوروبا وأستراليا واليابان ، بسبب الهجرة المتكررة للأفراد من المناطق الموبوءة5. تنتمي عدوى المثقبيات إلى مجموعة Stercoraria لأنها تنتقل عن طريق البراز المصاب من البق reduviid. المثقبيات والمثقبيات (مرض سورا) الناجم عن عدوى T. evansi متوطنة في أفريقيا وأمريكا الجنوبية وغرب وشرق آسيا وبلدان جنوب وجنوب شرق آسيا 3,6. على الرغم من الإبلاغ عن داء المثقبيات البشري الناجم عن المثقبيات3،4،7،8،9،10،11،12 ، فإن مسار انتقال عدوى الطفيلي موضع نقاش: إما الدم الميكانيكي أو المصاب من خلال الحشرات الدموية مثل ذباب تسي تسي والتابانيدات أو ذباب الخيل 6,7 ، 8،9،10،12،13،14. لم يتم العثور على تقرير حالة في تايلاند ، ومع ذلك ، فقد تم نشر معدل انتشار مرتفع لعدوى T. evansi في15 وخيول السباق وجاموس الماء في المنطقة الشرقية16 ، مما يشير إلى حدوث انتقال مكتسب بين الأليفة. تم الإبلاغ عن العديد من الإصابات البشرية غير النمطية التي تسببها المثقبيات الحيوانية (T. vivax و T. b. brucei و T. congolense و T. lewisi و T. evansi) ، وهي ليست الأشكال الكلاسيكية للمثقبيات البشرية17. وقد لا يتم التقليل من شأن الوعي بحالات العدوى البشرية غير النمطية، مما يسلط الضوء على الحاجة إلى تحسين الاختبارات التشخيصية والتحقيقات الميدانية للكشف عن هذه الحالات غير النمطية وتأكيدها، والسماح بالسيطرة والعلاج المناسبين للأمراض الحيوانية التي تؤثر على الثروة الحيوانية العالمية، والأمنالغذائي18، والرعاية الصحية البشرية. وأدى ذلك إلى وضع استراتيجية محتملة متكاملة مع طريقة شائعة قائمة (الفحص المجهري) لفحص عينات الدم بسرعة في المناطق النائية أثناء الترصد النشط، مما يتيح تحديد المناطق الساخنة للحد من المرض ومكافحته.
قد يكون وجود معدل متقطع لمرض السرة في مجموعة واسعة من الأليفة مثل الجمال العربية والماشية والخيول التي تثير T. evansi euryxenous حيواني المنشأ للبشر1،4،13،14. تبدو العدوى البشرية مستحيلة لأن عامل التريبانوليتيك في مصل الإنسان ، المعبر عنه من جين يشبه sra ، قادر على منع T. brucei و T. congolense12,19 البشري. علاوة على ذلك ، كما يوضح تقرير الحالة الأول من الهند ، فإن المرض ليس له ارتباط بمرضى فيروس نقص المناعة البشرية الذين يعانون مننقص المناعة 4. كما هو موضح أعلاه ، قد تكون العدوى البشرية المحتملة مرتبطة بنقص البروتين الدهني عالي الكثافة مع وظيفة غير طبيعية لعامل التريبانوسوم المحللي ، وهو اضطراب وراثي صبغي جسدي متنحي نادر ، وهو مرض طنجة4. في عام 2016 ، تم اكتشاف مريض فيتنامي يمتلك أليلين من النوع البري APOL1 وتركيز مصل APOL1 ضمن المعدل الطبيعي. ومع ذلك ، فإن نظرية نقص APOL-1 لم تعد تعتبر صالحة12. لذلك ، فإن إحدى الآليات المحتملة لعدوى المثقبيات هي الاتصال المباشر للجرح بدم المصاب أثناء تربيةالمهنية 4،12. يكشف الفحص المجهري أن مورفولوجيا T. evansi هي شكل أحادي الشكل من المثقبيات بما في ذلك المثقبيات النحيلة الطويلة والجلد والمقسمة التي تشبه أنواعها النسبية من T. brucei1،12،13. النواة في الموضع المركزي مع وجود حركية صغيرة مرئية في الموضع الخلفي. أشارت دراسة سابقة إلى أن الطفيلي يمكن أن يوجد في شكلين متشابهين ، يعرفان باسم الأشكال الكلاسيكية والمقطوعة. ومع ذلك ، لا يزال من الضروري تأكيد التأثيرات المسببة للأمراض الخاصة بكل منها على المضيفين20. يختلف مسار الأعراض بدءا من الحمى المتقطعة المرتبطة بالقشعريرة والتعرق. Suramin ، لحسن الحظ ، هو علاج ناجح من الخط الأول لداء المثقبيات الأفريقي البشري في مرحلة مبكرة مع عدم وجود غزو للجهاز العصبي المركزي (CNS) ، وشفاء المرضى في الهند وفيتنام4،12،21.
باستثناء فحص العلامات السريرية ، توجد العديد من طرق التشخيص لطفيليات T. evansi ، بما في ذلك الملاحظة المجهرية الطفيلية4،9،12 ، المصلية4،8،9،10،12 ، والاختبارات البيولوجية الجزيئية4،12. غالبا ما تستخدم أفلام الدم الرقيق الملطخة ب Giemsa لتصور الطفيلي الموجود تحت الفحص المجهري ، والذي يستخدم بشكل روتيني وشائع22. ومع ذلك، يبدو أن الإجراء ممكن؛ ومع ذلك ، فهي تستغرق وقتا طويلا وكثيفة العمالة ، ولديها تباين في التقييم بين المقيمين ، وهي حساسة للمرحلة الحادة فقط ، وتتطلب متدربا شخصيا23. كما احتاج كل من البيولوجيا الجزيئية والاختبارات المصلية إلى موظفين ذوي مهارات عالية لأداء عمليات متعددة لإعداد العينات، بما في ذلك استخراج العينات وتنقيتها قبل اختبارها بأجهزة باهظة الثمن، يصعب توحيدها، وخطر التلوث بمواد غير طفيلية، والتناقضات في النتائج24. واستنادا إلى الأساس المنطقي الموصوف أعلاه، هناك حاجة إلى تكنولوجيا الفرز السريع والمبكر لدعم دراسة الترصد الميداني وضمان الإبلاغ عن نتائج المسح في الوقت المناسب لتحديد منطقة البؤر الساخنة لمزيد من السيطرة على انتقال المرض 1,8. تم اقتراح الأجهزة القائمة على الكمبيوتر (CAD) كتقنية مبتكرة للمجالات الطبية ، بما في ذلك المهام النسيجية المرضية والخلوية25. تم تنفيذ CAD المذكور أعلاه بسرعة عالية وحسابه باستخدام التعرف على الأنماط ، أي الذكاء الاصطناعي (الذكاء الاصطناعي). يتم إنجاز طريقة الذكاء الاصطناعي باستخدام خوارزميات الشبكة العصبية التلافيفية التي يمكن استخدامها للتعامل مع عدد كبير من عينات مجموعة البيانات ، وخاصة نهج التعلم الخاضع للإشراف الذي يدرب نموذجا مدربا جيدا على استهلاك البيانات.
بشكل عام ، الذكاء الاصطناعي هي قدرة أجهزة الكمبيوتر على حل المهام التي تتطلب ذكاء الخبراء ، مثل تسمية البيانات. يتم تمثيل التعلم الآلي (ML) ، وهو حقل فرعي من الذكاء الاصطناعي ، كنظام كمبيوتر مع عمليتين مختلفتين تتألفان من استخراج الميزات والتعرف على الأنماط. يشير التعلم العميق (DL) ، أو خوارزميات ML المتقدمة ، إلى تطوير برامج وأجهزة محوسبة تقارن الأداء الشبيه بالإنسان بمستويات دقة أكبر ومساوية لتلك التي ينجزها المحترفون البشريون26. في الوقت الحالي ، يتوسع دور DL في المجالات الطبية والبيطرية بشكل واعد ويحدث ثورة في الوقاية من الأمراض المعدية بهدف الوقاية الحديثة وتوجيهها إلى الموظفين الصحيينالفرديين 22,27. تطبيق DL المحتمل لا حدود له مع تسميات الجودة وعدد كبير من مجموعات البيانات المعززة ، مما يحرر المتخصصين لإدارة مهمة المشروع. وعلى وجه التحديد، أدى التقدم في الصورة الرقمية إلى جانب التحليل بمساعدة الحاسوب إلى تحسين التشخيص والفحص التلقائي في خمس فئات من علم الأمراض المبلغ عنها؛ بما في ذلك الطرق الثابتة والديناميكية والروبوتية وتصوير الشرائح الكاملة والطرقالهجينة 28. من الضروري مراعاة أن دمج نهج خوارزمية DL وبيانات الصور الرقمية يمكن أن يشجع الموظفين المحليين على استخدام التكنولوجيا في ممارساتهم اليومية.
في السابق ، تم إثبات الزيادة في دقة التنبؤ باستخدام نموذج هجين27. لتحديد طفيلي المثقبيات في الصور المجهرية ، يقدم هذا البحث نموذجين هجينين ، يتضمنان خوارزميات YOLOv4-tiny (اكتشاف الكائنات) و Densenet201 (تصنيف الكائنات). من بين العديد من نماذج الكشف ، أظهر YOLOv4-tiny مع العمود الفقري CSPDarknet53 أداء عاليا كنتيجة تنبؤ من حيث التوطين والتصنيف29. نظرا لأن الكاشف في الوقت الفعلي قد عدل التوازن الأمثل بين دقة شبكة الإدخال ، ومقدار الطبقة التلافيفية ، والمعلمة الإجمالية ، وعدد مخرجات الطبقة ، فقد حسن تحديد أولويات سرعات التشغيل السريعة وتحسين الحسابات المتوازية عند مقارنتها بالإصدارات السابقة. الشبكة التلافيفية الكثيفة (DenseNet) هي نموذج شائع آخر يحقق أحدث النتائج عبر مجموعات البيانات التنافسية. أسفر DenseNet201 عن خطأ مماثل للتحقق من الصحة مماثل لخطأ ResNet101; ومع ذلك ، يحتوي DenseNet201 على أقل من 20 مليون معلمة ، وهو أقل من معلمات ResNet101 التي تزيد عن 40 مليونمعلمة 30. لذلك ، يمكن لنموذج DenseNet تحسين دقة التنبؤ مع عدد متزايد من المعلمات مع عدم وجود علامة على الإفراط في التجهيز. هنا ، يستخدم برنامج الذكاء الاصطناعي (الذكاء الاصطناعي) خوارزمية التعلم العميق الهجينة مع العمود الفقري للشبكة العصبية للكشف العميق والتصنيف على منصة CiRA CORE الداخلية. يمكن للبرنامج المطور تحديد وتصنيف أنواع المثقبيات الأولية ، وهي Trypanosoma cruzi و T. brucei و T. evansi ، من الصور المجهرية للغمر بالزيت. هذه التكنولوجيا لديها القدرة على إحداث ثورة في مراقبة الأمراض ومكافحتها من خلال توفير طريقة فحص سريعة وآلية ودقيقة. يمكن أن يساعد الموظفين المحليين في اتخاذ قرارات أكثر استنارة بشأن استراتيجيات منع انتقال مرض الأوليات الطفيلية.
Protocol
Representative Results
Discussion
إن المراقبة المجهرية لعدوى المثقبيات الأولية مبكرة وشائعة الاستخدام، لا سيما أثناء الترصد في المناطق النائية حيث يوجد نقص في الفنيين المهرة والعمليات كثيفة العمالة والمستهلكة للوقت وكلها عقبات أمام إبلاغ المنظمة الصحية في الوقت المناسب. على الرغم من أن تقنيات البيولوجيا الجزيئية مثل ع?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
هذا العمل (منحة بحثية للباحث الجديد، المنحة رقم. RGNS 65 – 212) ماليا من قبل مكتب الأمين الدائم ، وزارة التعليم العالي والعلوم والبحث والابتكار (OPS MHESI) ، تايلاند للبحث العلمي والابتكار (TSRI) ومعهد الملك مونغكوت للتكنولوجيا لادكرابانغ. نحن ممتنون للمجلس الوطني للبحوث في تايلاند (NRCT) [NRCT5-RSA63001-10] لتمويل المشروع البحثي. تم تمويل M.K. من قبل صندوق تايلاند للبحث العلمي والابتكار جامعة شولالونغكورن. كما نشكر كلية الابتكار الصناعي المتقدم ، ومعهد الملك مونغكوت للتكنولوجيا ، و Ladkrabang الذين قدموا منصة التعلم العميق والبرمجيات لدعم المشروع البحثي.
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 |
Riferimenti
- 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).
- 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).
- 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).
- 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).
- Lidani, K. C. F., et al. Chagas disease: from discovery to a worldwide health problem. Frontiers in Public Health. 7, 166 (2019).
- Sazmand, A., Desquesnes, M., Otranto, D. Trypanosoma evansi. Trends in Parasitology. 38 (6), 489-490 (2022).
- 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).
- 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).
- 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).
- 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).
- Dakshinkar, N. P., et al. Aberrant trypanosomias in human. Royal Veterinary Journal of India. 3 (1), 6-7 (2007).
- 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).
- 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).
- Nakayima, J., et al. Molecular epidemiological studies on animal trypanosomiases in Ghana. Parasites & Vectors. 5, 217 (2012).
- 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, (2021).
- 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).
- Truc, P., et al. Atypical human infections by animal trypanosomes. PLoS Neglected Tropical Diseases. 7 (9), 2256 (2013).
- Desquesnes, M., et al. Diagnosis of animal trypanosomoses: proper use of current tools and future prospects. Parasites & Vectors. 15 (1), 235 (2022).
- 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).
- 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).
- 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).
- Naing, K. M., et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Computer Science. 8, 1065 (2022).
- 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).
- Rostami, A., Karanis, P., Fallahi, S. Advances in serological, imaging techniques and molecular diagnosis of Toxoplasma gondii infection. Infection. 46 (3), 303-315 (2018).
- 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).
- Sarker, I. H. Deep learning: a comprehensive overview on techniques, taxonomy, applications and research directions. SN Computer Science. 2 (6), 420 (2021).
- 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).
- Baskota, S. U., Wiley, C., Pantanowitz, L. The next generation robotic microscopy for intraoperative teleneuropathology consultation. Journal of Pathology Informatics. 11, 13 (2020).
- Bochkovskiy, A., Wang, C. -. Y., Liao, H. -. Y. M. YOLOv4: optimal speed and accuracy of object detection. arXiv. , 10934 (2004).
- Huang, G., Liu, Z., vander Maaten, L., Weinberger, K. Q. Densely connected convolutional networks. arXiv. , 06993 (2018).
- . CDC-DPDx. Diagnostic procedures – Blood specimens Available from: https://www.cdc.gov/dpdx/diagosticprocedures/blood/specimenproc.html#print (2020)
- 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)
- Leber, A. L. Detection of blood parasites. Clinical Microbiology Procedures Handbook. , (2022).
- 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. , 24-27 (2018).
- 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).
- Berrar, D. Cross-validation. Encyclopedia of Bioinformatics and Computational Biology. 1, 542-545 (2019).
- 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).
- Vijayalakshmi, A., Rajesh Kanna, B. Deep learning approach to detect malaria from microscopic images. Multimedia Tools and Applications. 79 (21-22), 15297-15317 (2019).
- 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).
- 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).
- Zhang, C., et al. Deep learning for microscopic examination of protozoan parasites. Computational and Structural Biotechnology Journal. 20, 1036-1043 (2022).
- 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).
- Desquesnes, M., et al. A review on the diagnosis of animal trypanosomoses. Parasites & Vectors. 15 (1), 64 (2022).
- 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).
- 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).
- Hamdan, S., Ayyash, M., Almajali, S. Edge-computing architectures for internet of things applications: a survey. Sensors (Basel). 20 (22), 6441 (2020).
- 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).
- 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).
- 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).
