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.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
이 논문에서
요약
초록
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.
서론
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 Stercorari....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
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 준비
- 기생충학자 전문가들이 확인한 T. brucei, T. cruzi 및 T. evansi를 포함하여 혈액 기생충 감염이 있는 최소 13개의 양성 슬라이드를 얻습니다. 교육용(10개 슬라이드)과 테스트용(3개 슬라이드)을 위한 13개의 슬라이드를 분리합니다.
- 디지털 카메라가 장착된 광학 현미경의 오일 이멀젼 필드에서 위에서 설명한 Giemsa 염색 박막 혈액 필름의 이미지를 획득합니다. 현미경 검사에서 세 가지 기생충 종 모두의 trypomastigotes의 여러 물체를 포함하는 이미지를 얻습니다. 가느다란 모양, 긴 꼬리, 물결 모양의 막, 앞쪽 끝의 키네토플라스트(kinetoplast)를 찾으십시오.
참고....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
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. brucei, T. cruzi 및 T. evansi를 포함하여 의학적, 수의학적으로 중요한 트리파노솜의 세 종을 모두 분류하기 위해 가장 잘 선택된 분류 모델이 개발되었습니다. 사용된 하이브리드 모델의 최종 결과물은 기생충의 혈액 단계 형태를 포함하여 예측 결과에 영향을 미칠 수 있는 100x 현미경 이미지의 변화에 대해 제안된 모델의 견고성을 보여주었습니다. 또한 환경적 요인은 저장 시간, 현미경 광원의 강도 및 혈액막 준비 기술에 의해 염색 색상 변화의 이미지 품질을 방해할 수 있습니다. 그럼에도 불.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
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 화학 물질, 장치 및 전문가가 필요하며, 이는 대부분 대형 의료 센터의 중앙 실험실에 있습니다. 트리파노소마(Trypanosoma) 3종의 공유 형태, 혼합성 및 미성숙 감염, 특성은 사용자 편향과 오인(misidentification)이 발생하기 쉽고, 약물 반응 및 통제 조치(drug response and control measure)를 감소시킨다37. 제안된 AI 프로그램 내에서 서로 다른 두 딥 러닝 모델 간에 수정된 하이브리드 알고리즘을 사용하면 많은 문제를 극복하여 표준 분류의 새로운 시대를 자동으로.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
모든 저자는 재정 공개와 이해 상충이 없습니다.
감사의 글
이 작품(신학자 연구비, 연구비 지원금, 연구비 지원금. RGNS 65 - 212)는 고등교육과학연구혁신부(OPS MHESI), 태국 과학연구혁신부(TSRI) 및 King Mongkut's Institute of Technology Ladkrabang의 재정 지원을 받았습니다. 연구 프로젝트에 자금을 지원해 주신 태국 국립연구위원회(NRCT)[NRCT5-RSA63001-10]에 감사드립니다. M.K.는 태국 과학 연구 및 혁신 기금 출라롱콘 대학교(Chulalongkorn University)의 지원을 받았습니다. 또한 연구 프로젝트를 지원하기 위해 딥 러닝 플랫폼과 소프트웨어를 제공한 College of Advanced Manufacturing Innovation, King Mongkut's Institute of Technology, Ladkrabang에도 감사드립니다.
....액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| Darknet19, Darknet53 및 Densenet201 | Gao Huang, Z. L., Laurens van der Maaten. 조밀하게 연결된 컨볼루션 네트워크. arXiv : 1608.06993 [cs. CV]. (2016) | https://github.com/liuzhuang13/DenseNet | 분류 일반 이름: YOLO 모델/검출 모델로 기능할 수 있는 심층 컨볼루션 신경망 모델? |
| 올림푸스 CX31 모델 CX31RRBSFA | 올림푸스, 도쿄, 일본 | SN 4G42178 | 광학 현미경 |
| 올림푸스 DP21-SAL U-TV0.5XC-3 | 올림푸스, 도쿄, 일본 | SN 3D03838 | 디지털 카메라 일반 이름: 분류 모델/ 조밀하게 CNNs |
| Window 10 | Microsoft | Window 10 | 컴퓨터의 운영 체제 |
| YOLO v4-tiny | Naing, K. M. et al. 물체 감지 접근 방식을 사용한 대변 검사에서 기생 산물의 자동 인식. PeerJ Comput Sci. 8 e1065, (2022). | https://git.cira-lab.com/users/sign_in | 국소화와 분류 모두에 기능할 수 있는 심층 합성곱 신경망 모델 |
참고문헌
- 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.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재인쇄 및 허가
