하이브리드 딥러닝 모델을 사용한 트리파노솜 기생충의 우수한 자동 식별

Summary

전 세계 의료용 혈액 기생충은 로우코드 AI 플랫폼에서 간단한 단계를 통해 자동으로 스크리닝되었습니다. 혈액막의 전향적 진단은 하이브리드 딥러닝 모델에서 객체 검출 및 분류 방법을 사용하여 개선되었습니다. 능동적 모니터링과 잘 훈련된 모델의 협업은 트리파노솜 전파의 핫스팟을 식별하는 데 도움이 됩니다.

Abstract

트리파노소마증은 남아시아와 동남아시아를 포함한 전 세계 여러 지역에서 심각한 공중 보건 문제입니다. 적극적인 감시 하에 있는 핫스팟 지역을 식별하는 것은 질병 전파를 통제하기 위한 기본 절차입니다. 현미경 검사는 일반적으로 사용되는 진단 방법입니다. 그럼에도 불구하고 주로 숙련되고 경험이 풍부한 인력에 의존합니다. 이 문제를 해결하기 위해 사내 로우코드 AI 플랫폼(CiRA CORE)에서 객체 식별 및 객체 분류 신경망 백본의 하이브리드 딥러닝 기술을 활용하는 인공지능(AI) 프로그램을 도입했습니다. 이 프로그램은 원생동물 트리파노솜 종, 즉 Trypanosoma cruzi, T. brucei 및 T. evansi를 오일 침지 현미경 이미지에서 식별하고 분류할 수 있습니다. AI 프로그램은 패턴 인식을 활용하여 단일 혈액 샘플 내에서 여러 원생동물을 관찰 및 분석하고 각 기생충의 핵과 키네토플라스트를 주의 지도를 사용하여 특정 특징으로 강조 표시합니다.

AI 프로그램의 성능을 평가하기 위해 정확도, 재현율, 특이성, 정밀도, F1 점수, 오분류율, ROC(수신기 작동 특성) 곡선 및 정밀도 대 재현율(PR) 곡선과 같은 다양한 통계 측정을 제공하는 두 개의 고유한 모듈이 생성됩니다. 평가 결과에 따르면 AI 알고리즘은 기생충을 식별하고 분류하는 데 효과적입니다. 이 기술은 빠르고 자동화된 정확한 스크리닝 도구를 제공함으로써 질병 감시 및 통제를 혁신할 수 있는 잠재력을 가지고 있습니다. 또한 지역 공무원이 질병 전파 차단 전략에 대해 정보에 입각한 결정을 내리는 데 도움이 될 수 있습니다.

Introduction

트리파노소마증은 남아시아 및 동남아시아와 같은 아프리카 및 아메리카 대륙 이외의 광범위한 지리적 분포를 가진 인간 질병을 유발하는 다양한 인수공통전염병으로 인해 글로벌 보건 문제에 대한 중요한 도전입니다 ^1,2,3. 인간 아프리카 트리파노소마증(HAT) 또는 수면병은 트리파노소마 브루세이 감비엔스(Trypanosoma brucei gambiense)와 T. b. 로데시엔스(T. b. rhodesiense)에 의해 발생하며, 각각 만성 및 급성 형태를 나타내며 아프리카에서 주요 확산을 나타냅니다. 원인 기생충은 체체파리의 감염된 타액에 의한 전염으로 인해 살리바리아 그룹에 속한다⁴. 반면, T. cruzi에 의해 유발된 잘 알려진 미국 트리파노소마증(샤가스병)은 비풍토병 국가의 공중 보건 문제였습니다. 캐나다, 미국, 유럽, 호주, 일본 등 풍토병 지역에서 개인이 자주 이주하기 때문에⁵. 트리파노솜 감염은 레두비이드(reduviid) 벌레의 감염된 배설물에 의해 전염되기 때문에 Stercoraria 그룹에 속합니다. T. evansi 감염에 의한 트리파노소마제 및 트리파노소마제(Surra disease)는 아프리카, 남미, 서아시아 및 동아시아, 남아시아 및 동남아시아 국가의 풍토병이다 ^3,6. 트리파노솜에 의한 인간 트리파노소마증^{이 보고되었지만}, 3,4,7,8,9,10,11,12, 기생충 감염의 전파 경로는 논쟁의 여지가 있다: 체체파리, 타바니드 또는 말파리와 같은 혈충을 통한 기계적 또는 감염된 혈액 ^6,7, 8,9,10,12,13,14입니다. 태국에서는 아직 사례 보고가 발견되지 않았으나, 동부 지역의 개⁽¹⁵), 경주마, 물소에서 T. evansi 감염의 높은 유병률이 발표되었으며¹⁶ 이는 가축 간의 후천적 전염이 발생했을 가능성을 시사한다. 동물 트리파노솜(T. vivax, T. b. brucei, T. congolense, T. lewisi, T. evansi)에 의한 몇 가지 비정형 인간 감염이 보고되었는데, 이는 인간 트리파노좀의 전형적인 형태가 아니다¹⁷. 비정형 인간 감염에 대한 인식이 과소평가될 수 있으며, 이러한 비정형 사례의 검출 및 확인을 위한 개선된 진단 검사 및 현장 조사의 필요성이 강조되고, 전 세계 가축, 식량 안보¹⁸ 및 인간 건강 관리에 영향을 미치는 동물 병원성 질병의 적절한 통제 및 치료가 가능하다. 이로 인해 능동 감시 중에 외딴 지역의 혈액 샘플을 신속하게 스크리닝하기 위해 기존의 일반적인 방법(현미경 검사)과 통합된 잠재적 전략이 개발되어 질병을 제한하고 통제하기 위한 핫스팟 영역을 식별할 수 있게 되었습니다.

단봉동물, 소, 말, 개 등 다양한 가축에서 산발적으로 발병하여 황소균(T. evansi)을 유발하는 수라병은 인간에게 인수공통감염병일 수 있다 ^1,4,13,14. 인간 감염은 불가능해 보이는데, 이는 sra-like 유전자에서 발현되는 인간 혈청의 트리파놀리틱 인자가 인간 T. brucei 및 T. congolense를 예방할 수 있기 때문이다 ^12,19. 더욱이, 인도의 첫 번째 사례 보고에서 알 수 있듯이, 이 질병은 면역력이 저하된 HIV 환자와 관련이 없다⁴. 상술한 바와 같이, 인체 감염 가능성은 희귀 상염색체 열성 유전 질환인 트리파노솜 용해 인자의 비정상적인 기능을 동반한 고밀도 지단백 결핍, 즉 탕헤르병과 관련이 있을 수 있다⁴. 2016년 베트남 환자는 2개의 야생형 APOL1 대립유전자와 정상 범위 내의 혈청 APOL1 농도를 가지고 있는 것으로 밝혀졌습니다. 그러나 APOL-1 결핍 이론은 더 이상 유효한 것으로 간주되지 않는다¹². 그러므로, 트리파노솜 감염의 가능한 메커니즘 중 하나는 직업적 동물 사육 중 감염된 동물의 혈액과 상처의 직접적인 접촉이다 ^4,12. 현미경 검사는 T. evansi 형태가 T. brucei ^1,12,13의 상대 종과 유사한 우세한 길고 가늘고 편모가 있고 분열하는 트리파노솜을 포함하는 트리포마스티고트의 단형성 형태임을 보여줍니다. 핵은 중앙 위치에 있으며 뒤쪽 위치에 눈에 보이는 작은 키네토플라스트가 있습니다. 이전 연구에 따르면 기생충은 고전적 형태와 잘린 형태로 알려진 두 가지 유사한 형태로 존재할 수 있습니다. 그러나, 숙주⁽²⁰)에 대한 각각의 병원성 효과를 확인할 필요가 있다. 증상의 경과는 오한과 발한과 관련된 간헐적 발열에 이르기까지 다양합니다. 다행히도 수라민은 중추신경계(CNS)를 침범하지 않는 초기 단계의 인간 아프리카 트리파노소마증에 대한 성공적인 1차 치료제로, 인도와 베트남에서 환자를 치료하고 있다 ^4,12,21.

임상적 징후 검사를 제외하고, 기생충학적 현미경 관찰 4,9,12, 혈청학적 4,8,9,10,12 및 분자 생물학적 검사 ^4,12를 포함한 여러 가지 진단 방법이 존재한다. Giemsa로 염색된 얇은 혈액 필름은 현미경 검사에서 존재하는 기생충을 시각화하는 데 자주 사용되며, 이는 일상적이고 일반적으로 사용됩니다²². 그러나 절차는 가능한 것으로 보입니다. 그럼에도 불구하고 시간이 많이 걸리고 노동 집약적이며, 평가자 간 평가 변동성이 있고, 급성 단계에만 민감하며, 개인 교육생이 필요하다²³. 분자생물학과 혈청학적 검사 모두 표준화하기 어려운 고가의 장비로 검체를 검사하기 전에 검체를 추출하고 정제하는 등 여러 시료 전처리 과정을 수행하기 위해 고도로 숙련된 인력이 필요했는데, 이는 표준화가 어렵고, 기생충 외 물질로 인한 오염 위험, 결과의 불일치²⁴. 위에서 설명한 근거에 기초하여, 현장 감시 연구를 지원하고 질병 전파를 추가로 통제할 수 있는 핫스팟 영역을 식별하기 위해 조사 결과가 적시에 보고되도록 하기 위해 신속 및 조기 스크리닝 기술이 필요하다 ^1,8. 전산화 기반 장치(CAD)는 조직병리학 및 세포병리학적 작업을 포함한 의료 분야의 혁신 기술로 제안되어 왔다²⁵. 위에서 언급한 CAD는 패턴 인식, 즉 인공 지능(AI)을 사용하여 고속으로 수행되고 계산되었습니다. AI 방법은 많은 수의 데이터 세트 샘플을 처리하는 데 사용할 수 있는 컨볼루션 신경망 알고리즘, 특히 데이터 소비 시 잘 훈련된 모델을 훈련하는 지도 학습 접근 방식을 사용하여 수행됩니다.

일반적으로 AI는 데이터 레이블링과 같이 전문적인 인텔리전스가 필요한 작업을 해결하는 컴퓨터의 능력입니다. AI의 하위 분야인 기계 학습(ML)은 특징 추출과 패턴 인식으로 구성된 두 가지 프로세스를 가진 컴퓨터 시스템으로 표현됩니다. 딥러닝(Deep Learning, DL) 또는 고급 ML 알고리즘은 인간과 유사한 성능을 인간 전문가가 달성한 것과 동일한 정확도 수준과 비교하는 컴퓨터화된 프로그램 및 장치의 개발을 말한다²⁶. 현재 의학 및 수의학 분야에서 DL의 역할은 최근 예방을 목표로 전염병 예방을 유망하게 확대하고 혁신하고 있으며 개별 의료진에게 안내하고 있습니다^22,27. 잠재적인 DL 애플리케이션은 품질 라벨과 많은 수의 증강 데이터 세트로 무궁무진하여 전문가가 프로젝트 작업을 관리할 수 있도록 합니다. 특히, 컴퓨터 보조 분석과 함께 디지털 이미지의 발전은 보고된 병리학의 5가지 범주에서 자동 진단 및 스크리닝을 개선했습니다. 정적, 동적, 로봇적, 전체 슬라이드 이미징 및 하이브리드 방법 포함²⁸. DL 알고리즘 접근 방식과 디지털 이미지 데이터의 통합은 현지 직원이 일상 업무에서 기술을 활용하도록 장려할 수 있다는 점을 고려할 필요가 있습니다.

이전에는 하이브리드 모델을 사용하는 예측 정확도의 증가가 입증되었습니다²⁷. 현미경 이미지에서 트리파노솜 기생충을 식별하기 위해 이 연구에서는 YOLOv4-tiny (객체 감지) 및 Densenet201 (객체 분류) 알고리즘을 통합한 두 가지 하이브리드 모델을 제시합니다. 여러 검출 모델 중에서, CSPDarknet53 백본을 갖는 YOLOv4-tiny 모델은 국소화 및 분류 측면에서 예측 결과로서 높은 성능을 보였다²⁹. 실시간 검출기는 입력 네트워크 해상도, 컨벌루션 계층의 양, 전체 파라미터 및 계층 출력 개수 간의 최적 균형을 수정했기 때문에 이전 버전과 비교할 때 빠른 작동 속도의 우선 순위를 지정하고 병렬 계산을 최적화하는 것이 개선되었습니다. DenseNet(Dense Convolutional Network)은 경쟁 데이터 세트에서 최첨단 결과를 달성하는 또 다른 인기 있는 모델입니다. DenseNet201은 ResNet101과 유사한 유효성 검사 오류를 생성했습니다. 그러나 DenseNet201의 매개변수는 2천만 개 미만이며, 이는 ResNet101의 4천만 개 이상의 매개변수³⁰보다 적습니다. 따라서 DenseNet 모델은 과적합의 징후 없이 증가하는 매개변수 수로 예측 정확도를 향상시킬 수 있습니다. 여기서 인공 지능(AI) 프로그램은 사내 CiRA CORE 플랫폼에서 심층 탐지 및 분류 신경망 백본과 함께 하이브리드 딥 러닝 알고리즘을 활용합니다. 개발된 프로그램은 원생동물 트리파노솜 종, 즉 Trypanosoma cruzi, T. brucei 및 T. evansi를 오일 침지 현미경 이미지에서 식별하고 분류할 수 있습니다. 이 기술은 빠르고 자동화된 정확한 스크리닝 방법을 제공하여 질병 감시 및 통제에 혁명을 일으킬 수 있는 잠재력을 가지고 있습니다. 현지 직원이 기생충 원생동물 질병에 대한 전염 차단 전략에 대해 정보에 입각한 결정을 내리는 데 도움이 될 수 있습니다.

Protocol

보관된 혈액 필름 및 프로젝트 설계는 기관 생물 안전 위원회, 수의학 학부의 기관 동물 관리 및 사용 위원회, 출라롱콘 대학교(IBC No. 2031033 및 IACUC No. 1931027) 및 King Mongkut’s Institute of Technology Ladkrabang (EC-KMITL_66_014)의 인간 연구 윤리 위원회의 승인을 받았습니다. 1. RAW 이미지 준비 이미지 데이터 세트 준비기생충학자 전문가들이 확인한 T. brucei, …

Representative Results

이 연구에서는 트리파노솜 기생충 감염이 있는 혈액 샘플의 양성을 자동으로 예측하는 데 도움이 되는 하이브리드 딥 러닝 알고리즘이 제안되었습니다. 보관된 Giemsa로 염색된 혈액 필름은 다크넷 백본 신경망을 기반으로 하는 물체 감지 알고리즘을 사용하여 기생하는 것과 기생하지 않는 것을 현지화하고 분류하기 위해 분류되었습니다. 이전 모델에서 얻은 직사각형 상자 예측 결과 내에서 T….

Discussion

트리파노소마 원생동물 감염에 대한 현미경 관찰은 특히 숙련된 기술자가 부족하고 노동 집약적이고 시간이 많이 소요되는 외딴 지역의 감시 중에 조기에 일반적으로 사용되며, 이는 모두 보건 기관에 적시에 보고하는 데 장애가 됩니다. 면역학 및 중합효소연쇄반응(PCR)과 같은 분자생물학 기법이 실험실 결과의 효과를 뒷받침하는 고감도 방법으로 승인되었지만, 이를 처리하기 위해서는 고가의…

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