使用混合深度学习模型对锥虫寄生虫进行卓越的自动识别

Summary

在低代码 AI 平台上使用简单的步骤自动筛选全球医用血液寄生虫。通过在混合深度学习模型中使用目标检测和分类方法，改善了血膜的前瞻性诊断。主动监测和训练有素的模型的协作有助于识别锥虫传播的热点。

Abstract

锥虫病是包括南亚和东南亚在内的世界多个地区的重大公共卫生问题。确定主动监测的热点地区是控制疾病传播的基本程序。显微镜检查是一种常用的诊断方法。然而，它主要依靠熟练和有经验的人员。为了解决这个问题，引入了一个人工智能 （AI） 程序，该程序在内部低代码 AI 平台 （CiRA CORE） 上利用对象识别和对象分类神经网络主干的混合深度学习技术。该程序可以从油浸显微图像中识别和分类原生动物锥虫物种，即 克氏锥虫、 布氏锥虫和 埃文西锥虫。人工智能程序利用模式识别来观察和分析单个血液样本中的多个原生动物，并使用注意力图突出显示每个寄生虫的细胞核和动质体作为特定特征。

为了评估 AI 程序的性能，创建了两个独特的模块，提供各种统计度量，例如准确性、召回率、特异性、精确度、F1 分数、误分类率、受试者工作特征 （ROC） 曲线以及精确率与召回率 （PR） 曲线。评估结果表明，人工智能算法在识别和分类寄生虫方面是有效的。通过提供快速、自动化和准确的筛查工具，该技术有可能改变疾病监测和控制。它还可以帮助地方官员就疾病传播阻断战略做出更明智的决定。

Introduction

锥虫病是全球健康问题面临的重大挑战，因为多种人畜共患物种引起人类疾病，其地理分布范围很广，分布在非洲和美洲大陆以外的地区，如南亚^{和东南亚1,2,3}。非洲人类锥虫病 （HAT） 或昏睡病是由布氏冈比亚锥虫和罗得西亚锥虫引起的，它们分别产生慢性和急性形式，代表了非洲的主要传播。由于采采蝇的受感染唾液传播，致病寄生虫属于唾液组⁴.鉴于由克氏锥虫引起的众所周知的美国锥虫病（恰加斯病）一直是非流行国家的公共卫生问题;包括加拿大、美国、欧洲、澳大利亚和日本，因为个体经常从流行地区迁移⁵.锥虫感染属于 Stercoraria 组，因为它是由 reduviid 虫子的受感染粪便传播的。由埃文西锥虫感染引起的锥虫病和锥虫病（苏拉病）在非洲、南美洲、西亚和东亚以及南亚和东南亚国家流行 ^3,6。尽管已有由锥虫引起的人类锥虫病的报道 3,4,7,8,9,10,11,12，但寄生虫感染的传播途径存在争议：机械或受感染的血液通过食血昆虫（如采采蝇和塔巴尼德或马蝇^）6,7， 8,9,10,12,13,14.泰国尚未发现病例报告，但已公布东部地区¹⁵ 犬、赛马和水牛的 T. evansi 感染率很高¹⁶，这表明家畜之间会发生获得性传播。报道了几种由动物锥虫引起的非典型人类感染（间日锥虫、布氏锥虫、刚果锥虫、刘易斯锥虫和埃文西锥虫），这些感染不是人类锥虫的经典形式¹⁷。对非典型人类感染的认识可能被低估了，这突出表明需要改进诊断测试和实地调查，以发现和确认这些非典型病例，并允许适当控制和治疗影响全球牲畜、粮食安全和人类保健的动物致病性疾病¹⁸。这导致开发了一种与现有通用方法（显微镜检查）相结合的潜在策略，以便在主动监测期间快速筛查偏远地区的血液样本，从而能够确定限制和控制疾病的热点区域。

在多种家畜（如单峰骆驼、牛、马和狗）中偶发 Surra 病，可引起 euryxenous T. evansi 对人类的影响 1,4,13,14。人类感染似乎是不可能的，因为人血清中由sra样基因表达的锥虫溶解因子能够预防人布氏锥虫和刚果锥虫^12,19。此外，正如印度的第一份病例报告所表明的那样，该疾病与免疫功能低下的艾滋病毒患者无关⁴。如上所述，可能的人类感染可能与锥虫溶解因子功能异常的高密度脂蛋白缺乏有关，这是一种罕见的常染色体隐性遗传病，即丹吉尔病⁴。2016 年，一名越南患者被发现具有两个野生型 APOL1 等位基因，血清 APOL1 浓度在正常范围内。然而，APOL-1 缺陷的理论不再被认为是有效的¹².因此，锥虫感染的一种可能机制是在职业动物养殖过程中伤口与受感染的动物血液直接接触 ^4,12。显微镜检查显示，锥鞭毛体的形态是锥鞭毛体的单态形式，包括一种主要的细长、鞭毛和分裂锥虫，其与它们的相对种种布氏锥虫^相似1,12,13。细胞核位于中心位置，后部位置有一个可见的小动质体。之前的一项研究表明，寄生虫可以以两种可比较的形式存在，称为经典形式和截断形式。然而，仍然有必要确认它们各自对宿主的致病作用²⁰。症状过程各不相同，包括与发冷和出汗相关的间歇性发热。幸运的是，Suramin是早期人类非洲锥虫病的成功一线疗法，没有侵犯中枢神经系统（CNS），治愈了印度和越南的患者^4,12,21。

除临床体征检查外，还存在几种针对 T. evansi 寄生虫的诊断方法，包括寄生虫学显微镜观察 ^4,9,12、血清学 4、8、9、¹⁰、¹² 和分子生物学试验 ^4,12.用 Giemsa 染色的薄血膜通常用于观察显微镜检查下存在的寄生虫，这是常规和常用的²²。然而，该程序似乎是可行的;尽管如此，它既费时又费力，评估者之间的评估差异很大，仅对急性期敏感，并且需要个人实习生²³。分子生物学和血清学检测也需要高技能的人员来执行样品制备的多个过程，包括提取和纯化样品，然后用昂贵的仪器进行测试，这很难标准化，有被寄生外物质污染的风险，以及结果的差异²⁴.基于上述基本原理，需要快速和早期筛查技术来支持现场监测研究，并确保及时报告调查结果，以确定进一步控制疾病传播的热点地区^1,8。基于计算机的设备 （CAD） 已被提议作为医学领域的创新技术，包括组织病理学和细胞病理学任务²⁵。上面提到的CAD是高速执行的，并使用模式识别（即人工智能（AI））进行计算。人工智能方法是使用卷积神经网络算法完成的，该算法可用于处理大量数据集样本，特别是监督学习方法，该方法在数据消耗时训练训练有素的模型。

一般来说，人工智能是计算机解决需要专家智能的任务的能力，例如数据标记。机器学习 （ML） 是 AI 的一个子领域，它表示为一个计算机系统，具有两个不同的过程，包括特征提取和模式识别。深度学习 （DL） 或高级 ML 算法是指开发计算机化程序和设备，将类似人类的性能与更高和等于人类专业人员完成的精度水平进行比较²⁶.目前，DL在医学和兽医领域的作用正在有希望地扩大和彻底改变传染病预防，目的是最近的预防并将其指导给个别卫生人员^22,27。潜在的深度学习应用是无限的，具有质量标签和大量增强数据集，使专家能够腾出时间来管理项目任务。具体而言，数字图像的进步以及计算机辅助分析改善了报告的五类病理学的自动诊断和筛查;包括静态、动态、机器人、全玻片成像和混合方法²⁸.有必要考虑到，深度学习算法方法和数字图像数据的整合可以鼓励当地工作人员在日常实践中利用该技术。

此前，使用混合模型的预测准确性的提高已被证明²⁷.为了识别显微图像中的锥虫寄生虫，本研究提出了两种混合模型，结合了YOLOv4-tiny（目标检测）和Densenet201（目标分类）算法。在几种检测模型中，具有 CSPDarknet53 骨干的 YOLOv4-tiny 在定位和分类方面表现出高性能作为预测结果²⁹。由于实时检测器修改了输入网络分辨率、卷积层数量、总参数和层输出数量之间的最佳平衡，因此与以前的版本相比，它改进了快速运行速度的优先级并针对并行计算进行了优化。密集卷积网络 （DenseNet） 是另一种流行的模型，可在竞争数据集中实现最先进的结果。DenseNet201 产生了与 ResNet101 类似的验证错误;但是，DenseNet201 的参数少于 2000 万个，少于 ResNet101 的 4000 多万个参数³⁰。因此，DenseNet模型可以通过增加参数数量来提高预测精度，而不会出现过拟合的迹象。在这里，人工智能 （AI） 程序利用混合深度学习算法，在内部 CiRA CORE 平台上具有深度检测和分类神经网络主干。开发的程序可以从油浸显微图像中识别和分类原生动物锥虫物种，即 克氏锥虫、 布氏锥虫和 埃文西锥虫。该技术有可能通过提供快速、自动化和准确的筛查方法彻底改变疾病监测和控制。它可以帮助当地工作人员就寄生原生动物疾病的传播阻断策略做出更明智的决定。

Protocol

存档的血液胶片和项目设计得到了朱拉隆功大学兽医学院机构生物安全委员会、机构动物护理和使用委员会（IBC 第 2031033 号和 IACUC 第 1931027 号）和叻克拉邦国王理工学院人类研究伦理委员会 （EC-KMITL_66_014） 的批准。 1. 原始图像的准备 影像数据集准备获得至少 13 张血液寄生虫感染的阳性载玻片，包括布 氏锥虫、 克氏锥虫 和埃 文?…

Representative Results

在这项研究中，提出了混合深度学习算法来帮助自动预测锥虫寄生虫感染的血液样本的阳性性。使用基于暗网骨干神经网络的物体检测算法，对存档的 Giemsa 染色血片进行分类，以定位和分类寄生与非寄生。在前人模型得到的任意矩形框预测结果中，开发了最佳选择的分类模型，对布 氏锥虫、 克氏锥虫 和 埃文西锥虫等3种具有医学和兽医意义的锥虫进行分类。所使用的混合模…

Discussion

锥虫原生动物感染的显微镜观察是早期和常用的，特别是在偏远地区的监测期间，那里缺乏熟练的技术人员和劳动密集型和耗时的过程，这些都是及时报告卫生组织的障碍。尽管免疫学和聚合酶链反应（PCR）等分子生物学技术已被批准为高灵敏度方法，以支持实验室发现的有效性，但需要昂贵的化学品、仪器和专业人员来处理它们，这些技术大多位于大型医疗中心的中央实验室。共有的形态、混?…

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