हाइब्रिड डीप-लर्निंग मॉडल का उपयोग करके ट्रिपैनोसोम परजीवी की बेहतर ऑटो-पहचान
Summary
दुनिया भर में चिकित्सा रक्त परजीवियों को कम-कोड एआई प्लेटफॉर्म पर सरल चरणों का उपयोग करके स्वचालित रूप से जांच की गई थी। हाइब्रिड डीप लर्निंग मॉडल में ऑब्जेक्ट डिटेक्शन और वर्गीकरण पद्धति का उपयोग करके रक्त फिल्मों के संभावित निदान में सुधार किया गया था। सक्रिय निगरानी और अच्छी तरह से प्रशिक्षित मॉडल का सहयोग ट्रिपैनोसोम ट्रांसमिशन के हॉटस्पॉट की पहचान करने में मदद करता है।
Abstract
ट्रिपैनोसोमियासिस दक्षिण एशिया और दक्षिण पूर्व एशिया सहित दुनिया भर के कई क्षेत्रों में एक महत्वपूर्ण सार्वजनिक स्वास्थ्य समस्या है। सक्रिय निगरानी के तहत हॉटस्पॉट क्षेत्रों की पहचान रोग संचरण को नियंत्रित करने के लिए एक मौलिक प्रक्रिया है। माइक्रोस्कोपिक परीक्षा आमतौर पर इस्तेमाल की जाने वाली नैदानिक विधि है। फिर भी, यह मुख्य रूप से कुशल और अनुभवी कर्मियों पर निर्भर है। इस मुद्दे को हल करने के लिए, एक कृत्रिम बुद्धिमत्ता (एआई) कार्यक्रम पेश किया गया था जो इन-हाउस लो-कोड एआई प्लेटफॉर्म (सीआईआरए कोर) पर ऑब्जेक्ट आइडेंटिफिकेशन और ऑब्जेक्ट वर्गीकरण न्यूरल नेटवर्क बैकबोन की हाइब्रिड डीप लर्निंग तकनीक का उपयोग करता है। कार्यक्रम प्रोटोजोआ ट्रिपैनोसोम प्रजातियों की पहचान और वर्गीकरण कर सकता है, अर्थात् ट्रिपैनोसोमा क्रूज़ी, टी. ब्रुसी, और टी. इवांसी, तेल-विसर्जन सूक्ष्म छवियों से। एआई कार्यक्रम एक एकल रक्त नमूने के भीतर कई प्रोटोजोआ का निरीक्षण और विश्लेषण करने के लिए पैटर्न मान्यता का उपयोग करता है और प्रत्येक परजीवी के नाभिक और कीनेटोप्लास्ट को एक ध्यान मानचित्र का उपयोग करके विशिष्ट विशेषता विशेषताओं के रूप में उजागर करता है।
एआई कार्यक्रम के प्रदर्शन का आकलन करने के लिए, दो अद्वितीय मॉड्यूल बनाए जाते हैं जो सटीकता, याद, विशिष्टता, सटीकता, एफ 1 स्कोर, गलत वर्गीकरण दर, रिसीवर ऑपरेटिंग विशेषताओं (आरओसी) घटता और सटीक बनाम याद (पीआर) घटता जैसे विभिन्न सांख्यिकीय उपाय प्रदान करते हैं। मूल्यांकन निष्कर्ष बताते हैं कि एआई एल्गोरिथ्म परजीवियों की पहचान करने और वर्गीकृत करने में प्रभावी है। एक त्वरित, स्वचालित और सटीक स्क्रीनिंग टूल प्रदान करके, इस तकनीक में रोग निगरानी और नियंत्रण को बदलने की क्षमता है। यह स्थानीय अधिकारियों को रोग संचरण-अवरुद्ध रणनीतियों पर अधिक सूचित निर्णय लेने में भी सहायता कर सकता है।
Introduction
ट्रिपैनोसोमियासिस विभिन्न प्रकार की जूनोटिक प्रजातियों के कारण वैश्विक स्वास्थ्य मुद्दों के लिए एक महत्वपूर्ण चुनौती है, जो अफ्रीकी और अमेरिकी महाद्वीपों के बाहर भौगोलिक वितरण की एक विस्तृत श्रृंखला के साथ मानव रोग का कारण बनती है, जैसे कि दक्षिण और दक्षिण पूर्व एशिया 1,2,3। मानव अफ्रीकी ट्रिपैनोसोमियासिस (एचएटी) या नींद की बीमारी, ट्रिपैनोसोमा ब्रुसी गैम्बिएन्स और टीबी रोडेसिएन्स के कारण होती है जो क्रमशः जीर्ण और तीव्र रूपों का उत्पादन करते हैं, जो अफ्रीका में प्रमुख प्रसार का प्रतिनिधित्व करते हैं। प्रेरक परजीवी Tsetse मक्खियों4 के संक्रमित लार द्वारा संचरण के कारण लवणिया समूह से संबंधित है. जबकि, टी. क्रूज़ी के कारण प्रसिद्ध अमेरिकी ट्रिपैनोसोमियासिस (चगास की बीमारी) गैर-स्थानिक देशों के लिए एक सार्वजनिक स्वास्थ्य चिंता का विषय रहा है; कनाडा, संयुक्त राज्य अमेरिका, यूरोप, ऑस्ट्रेलिया और जापान सहित, स्थानिक क्षेत्रों से व्यक्तियों के लगातार प्रवास के कारण5. ट्रिपैनोसोम संक्रमण स्टरकोरियारिया समूह से संबंधित है क्योंकि यह reduviid कीड़े के संक्रमित मल द्वारा प्रेषित होता है। ट्रिपैनोसोमियासेस और ट्रिपैनोसोमोसेस (सुर्रा रोग) टी. इवांसी संक्रमण के कारण अफ्रीका, दक्षिण अमेरिका, पश्चिमी और पूर्वी एशिया और दक्षिण और दक्षिण पूर्वएशियाई देशों में स्थानिक हैं 3,6. यद्यपि ट्रिपैनोसोम के कारण मानव ट्रिपैनोसोमियासिस को 3,4,7,8,9,10,11,12 बताया गया है, परजीवी संक्रमण के संचरण के मार्ग पर बहस की जाती है: या तो यांत्रिक या संक्रमित रक्त हेमटोफैगस कीड़े जैसे कि सीसी मक्खियों और तबानिड्स या घोड़े की मक्खियों 6,7, 8,9,10,12,13,14. थाईलैंड में कोई मामला रिपोर्ट नहीं मिली है, हालांकि, पूर्वी क्षेत्र में कुत्ते15, रेसिंग घोड़ों और पानी भैंस में टी इवांसी संक्रमण का एक उच्च प्रसार16 प्रकाशित किया गया है, यह सुझाव देते हुए कि घरेलू जानवरों के बीच एक अधिग्रहित संचरण हुआ होगा। पशु trypanosomes की वजह से कई atypical मानव संक्रमण (T. vivax, T. b. brucei, T. congolense, T. lewisi, और T. evansi) की सूचना दी गई, जो मानव trypanosomes17 के शास्त्रीय रूपों नहीं हैं. एटिपिकल मानव संक्रमणों के बारे में जागरूकता को कम करके आंका जा सकता है, इन एटिपिकल मामलों का पता लगाने और पुष्टि के लिए बेहतर नैदानिक परीक्षणों और क्षेत्र जांच की आवश्यकता पर प्रकाश डाला जा सकता है, और वैश्विक पशुधन, खाद्य सुरक्षा18 और मानव स्वास्थ्य देखभाल को प्रभावित करने वाले पशु रोगजनक रोगों के उचित नियंत्रण और उपचार की अनुमति देता है। इसने सक्रिय निगरानी के दौरान दूरदराज के क्षेत्रों में रक्त के नमूनों को तेजी से स्क्रीन करने के लिए एक मौजूदा सामान्य विधि (सूक्ष्म परीक्षा) के साथ एकीकृत एक संभावित रणनीति के विकास का नेतृत्व किया, जिससे बीमारी को प्रतिबंधित और नियंत्रित करने के लिए हॉटस्पॉट क्षेत्रों की पहचान को सक्षम किया जा सके।
घरेलू जानवरों जैसे ड्रोमेडरी, मवेशी, घोड़े और कुत्तों की एक विस्तृत श्रृंखला में सुर्रा रोग की छिटपुट घटना होने से जो एक यूरीक्सेनस टी इवांसी पैदा करते हैं, मनुष्यों के लिए जूनोटिक हो सकते हैं 1,4,13,14. मानव संक्रमण असंभव लगता है क्योंकि मानव सीरम में एक ट्रिपैनोलिटिक कारक, एक एसआरए जैसे जीन से व्यक्त किया गया, मानव टी को रोकने में सक्षम है. इसके अलावा, जैसा कि भारत की पहली केस रिपोर्ट दर्शाती है, बीमारी का इम्युनोकॉम्प्रोमाइज्डएचआईवी रोगियों के साथ कोई संबंध नहीं है। जैसा कि ऊपर वर्णित है, संभावित मानव संक्रमण ट्रिपैनोसोम लिटिक कारक के असामान्य कार्य के साथ एक उच्च घनत्व वाले लिपोप्रोटीन की कमी से संबंधित हो सकता है, जो एक दुर्लभ ऑटोसोमल रिसेसिव आनुवंशिक विकार है, अर्थात् टंगेर रोग4। 2016 में, एक वियतनामी रोगी को सामान्य सीमा के भीतर दो जंगली प्रकार के APOL1 एलील और एक सीरम APOL1 एकाग्रता के अधिकारी होने की खोज की गई थी। हालांकि, एपीओएल -1 की कमी के सिद्धांत को अब वैध12 नहीं माना जाता है। इसलिए, ट्रिपैनोसोम संक्रमण का एक संभावित तंत्र व्यावसायिक पशु खेती 4,12 के दौरान संक्रमित पशु रक्त के साथ एक घाव का सीधा संपर्क है। सूक्ष्म परीक्षा से पता चलता है कि टी. इवांसी आकृति विज्ञान ट्रिपोमास्टिगोट का एक मोनोमॉर्फिक रूप है जिसमें एक प्रमुख लंबा पतला, ध्वजांकित और विभाजित ट्रिपैनोसोम शामिल है जो टी. ब्रुसी 1,12,13 की उनकी सापेक्ष प्रजातियों के समान है। नाभिक पीछे की स्थिति में एक दृश्यमान छोटे कीनेटोप्लास्ट के साथ केंद्रीय स्थिति में है। पिछले एक अध्ययन ने संकेत दिया कि परजीवी दो तुलनीय रूपों में मौजूद हो सकता है, जिन्हें शास्त्रीय और काटे गए रूपों के रूप में जाना जाता है। हालांकि, मेजबानों पर उनके संबंधित रोगजनक प्रभावों की पुष्टि करना आवश्यक है20. लक्षणों का कोर्स ठंड लगने और पसीने से जुड़े आंतरायिक बुखार से लेकर भिन्न होता है। सुरामिन, सौभाग्य से, प्रारंभिक चरण के मानव अफ्रीकी ट्रिपैनोसोमियासिस के लिए एक सफल प्रथम-पंक्ति चिकित्सा है, जिसमें केंद्रीय तंत्रिका तंत्र (सीएनएस) का कोई आक्रमण नहीं है, भारत और वियतनाम में रोगियों को ठीक करना 4,12,21.
नैदानिक संकेत परीक्षा के अलावा, टी इवांसी परजीवी के लिए कई नैदानिक विधियां मौजूद हैं, जिनमें परजीवी सूक्ष्म अवलोकन 4,9,12, सीरोलॉजिकल 4,8,9,10,12, और आणविक जैविक परीक्षण 4,12 शामिल हैं. Giemsa के साथ दाग पतली रक्त फिल्मों अक्सर सूक्ष्म परीक्षा है, जो नियमित रूप से और आमतौर पर22 इस्तेमाल किया जाता है के तहत मौजूद परजीवी कल्पना करने के लिए उपयोग किया जाता है. हालाँकि, प्रक्रिया व्यवहार्य प्रतीत होती है; बहरहाल, यह समय लेने वाली और श्रम-गहन है, इसमें अंतर-रेटर मूल्यांकन परिवर्तनशीलता है, केवल एक तीव्र चरण के प्रति संवेदनशील है, और इसके लिए एक व्यक्तिगत प्रशिक्षु23 की आवश्यकता होती है। आणविक जीव विज्ञान और सीरोलॉजिकल परीक्षण दोनों को नमूना तैयार करने की कई प्रक्रियाओं को करने के लिए अत्यधिक कुशल कर्मियों की आवश्यकता होती है, जिसमें महंगे उपकरण के साथ परीक्षण करने से पहले नमूनों को निकालना और शुद्ध करना शामिल है, जो मानकीकृत करना मुश्किल है, अतिरिक्त-परजीवी सामग्री के साथ संदूषण का जोखिम, और परिणामों में विसंगतियां24. ऊपर वर्णित तर्क के आधार पर, क्षेत्र निगरानी अध्ययन का समर्थन करने के लिए तेजी से और प्रारंभिक स्क्रीनिंग तकनीक की आवश्यकता है और यह सुनिश्चित करने के लिए कि सर्वेक्षण के परिणाम को रोग संचरण 1,8 के आगे नियंत्रण के लिए हॉटस्पॉट क्षेत्र की पहचान करने के लिए समय पर रिपोर्ट किया गया है। कम्प्यूटरीकृत आधारित उपकरणों (सीएडी) हिस्टोपैथोलॉजिकल और साइटोपैथोलॉजिकलकार्यों सहित चिकित्सा क्षेत्रों के लिए एक अभिनव तकनीक के रूप में प्रस्तावित किया गया है। ऊपर उल्लिखित सीएडी को उच्च गति पर किया गया था और पैटर्न मान्यता, अर्थात् कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करके गणना की गई थी। एआई विधि को दृढ़ तंत्रिका नेटवर्क एल्गोरिदम का उपयोग करके पूरा किया जाता है जिसका उपयोग बड़ी संख्या में डेटासेट नमूनों से निपटने के लिए किया जा सकता है, विशेष रूप से, एक पर्यवेक्षित शिक्षण दृष्टिकोण जो डेटा खपत पर एक अच्छी तरह से प्रशिक्षित मॉडल को प्रशिक्षित करता है।
सामान्य तौर पर, एआई कंप्यूटर की उन कार्यों को हल करने की क्षमता है जिनके लिए विशेषज्ञ बुद्धि की आवश्यकता होती है, जैसे डेटा लेबलिंग। मशीन लर्निंग (एमएल), एआई का एक उपक्षेत्र, एक कंप्यूटर सिस्टम के रूप में दर्शाया गया है जिसमें दो अलग-अलग प्रक्रियाएं शामिल हैं जिनमें फीचर निष्कर्षण और पैटर्न पहचान शामिल हैं। डीप लर्निंग (डीएल), या उन्नत एमएल एल्गोरिदम, कम्प्यूटरीकृत कार्यक्रमों और उपकरणों के विकास को संदर्भित करता है जो मानव पेशेवरों द्वारा पूरा किए गए सटीकता के स्तर के साथ मानव जैसे प्रदर्शन की तुलना करते हैं26. वर्तमान में, चिकित्सा और पशु चिकित्सा क्षेत्रों में डीएल की भूमिका हाल ही में रोकथाम के उद्देश्य से संचारी रोग की रोकथाम का विस्तार और क्रांति कर रही है और इसे व्यक्तिगत स्वास्थ्य कर्मचारियों22,27 के लिए मार्गदर्शन कर रही है। संभावित डीएल एप्लिकेशन गुणवत्ता लेबल और बड़ी संख्या में संवर्धित डेटासेट के साथ असीम है, जो परियोजना कार्य का प्रबंधन करने के लिए विशेषज्ञों को मुक्त करता है। विशेष रूप से, कंप्यूटर-सहायता प्राप्त विश्लेषण के साथ डिजिटल छवि में एक अग्रिम, पैथोलॉजी की पांच श्रेणियों में स्वचालित निदान और स्क्रीनिंग में सुधार हुआ; स्थिर, गतिशील, रोबोटिक, पूरे स्लाइड इमेजिंग, और संकर तरीकोंसहित 28. यह विचार करना आवश्यक है कि डीएल एल्गोरिथ्म दृष्टिकोण और डिजिटल छवि डेटा का एकीकरण स्थानीय कर्मचारियों को अपने दैनिक प्रथाओं में प्रौद्योगिकी का उपयोग करने के लिए प्रोत्साहित कर सकता है।
पहले, एक हाइब्रिड मॉडल का उपयोग करने की भविष्यवाणी सटीकता में वृद्धि27 साबित हुई थी। सूक्ष्म छवियों में ट्रिपैनोसोम परजीवी की पहचान करने के लिए, यह शोध दो हाइब्रिड मॉडल प्रस्तुत करता है, जिसमें YOLOv4-छोटे (ऑब्जेक्ट डिटेक्शन) और डेंसेनेट 201 (ऑब्जेक्ट वर्गीकरण) एल्गोरिदम शामिल हैं। कई पहचान मॉडल के बीच, एक CSPDarknet4 रीढ़ के साथ YOLOv53-tiny स्थानीयकरण और वर्गीकरण29 के मामले में एक भविष्यवाणी परिणाम के रूप में उच्च प्रदर्शन दिखाया. चूंकि रीयल-टाइम डिटेक्टर ने इनपुट नेटवर्क रिज़ॉल्यूशन, दृढ़ परत की मात्रा, कुल पैरामीटर और परत आउटपुट की संख्या के बीच इष्टतम संतुलन को संशोधित किया है, इसलिए इसने पिछले संस्करणों की तुलना में तेज परिचालन गति को प्राथमिकता देने और समानांतर संगणनाओं के लिए अनुकूलन में सुधार किया है। डेंस कन्वोल्यूशनल नेटवर्क (डेंसनेट) एक अन्य लोकप्रिय मॉडल है जो प्रतिस्पर्धी डेटासेट में अत्याधुनिक परिणाम प्राप्त करता है। DenseNet201 ने ResNet101 की तुलना में एक समान सत्यापन त्रुटि प्राप्त की; हालाँकि, DenseNet201 में 20 मिलियन से कम पैरामीटर हैं, जो ResNet101 के 40 मिलियन से अधिक पैरामीटर30 से कम है। इसलिए, डेंसनेट मॉडल ओवरफिटिंग के कोई संकेत के साथ मापदंडों की बढ़ती संख्या के साथ भविष्यवाणी सटीकता में सुधार कर सकता है। यहां, एक आर्टिफिशियल इंटेलिजेंस (एआई) प्रोग्राम इन-हाउस CiRA CORE प्लेटफॉर्म पर डीप डिटेक्शन- और क्लासिफिकेशन न्यूरल नेटवर्क बैकबोन के साथ एक हाइब्रिड डीप लर्निंग एल्गोरिथम का उपयोग करता है। विकसित कार्यक्रम प्रोटोजोआ ट्रिपैनोसोम प्रजातियों की पहचान और वर्गीकरण कर सकता है, अर्थात् ट्रिपैनोसोमा क्रूज़ी, टी. ब्रुसी, और टी. इवांसी, तेल-विसर्जन सूक्ष्म छवियों से। इस तकनीक में तेजी से, स्वचालित और सटीक स्क्रीनिंग विधि प्रदान करके रोग निगरानी और नियंत्रण में क्रांति लाने की क्षमता है। यह परजीवी प्रोटोजोआ रोग के लिए संचरण-अवरुद्ध रणनीतियों पर अधिक सूचित निर्णय लेने में स्थानीय कर्मचारियों की सहायता कर सकता है।
Protocol
Representative Results
Discussion
ट्रिपैनोसोमा प्रोटोजोआ संक्रमण के लिए सूक्ष्म अवलोकन प्रारंभिक और आमतौर पर उपयोग किया जाता है, विशेष रूप से दूरदराज के क्षेत्रों में निगरानी के दौरान जहां कुशल तकनीशियनों और श्रम-गहन और समय लेने वाल?…
Declarações
The authors have nothing to disclose.
Acknowledgements
यह काम (न्यू स्कॉलर के लिए अनुसंधान अनुदान, अनुदान सं। आरजीएनएस 65 – 212) को स्थायी सचिव, उच्च शिक्षा, विज्ञान, अनुसंधान और नवाचार मंत्रालय (ओपीएस एमएचईएसआई), थाईलैंड विज्ञान अनुसंधान और नवाचार (टीएसआरआई) और किंग मोंगकुट के प्रौद्योगिकी संस्थान लाडक्राबांग के कार्यालय द्वारा वित्तीय रूप से समर्थित किया गया था। हम अनुसंधान परियोजना के वित्तपोषण के लिए थाईलैंड की राष्ट्रीय अनुसंधान परिषद (NRCT) [NRCT5-RSA63001-10] के आभारी हैं। एमके को थाईलैंड साइंस रिसर्च एंड इनोवेशन फंड चुलालोंगकोर्न विश्वविद्यालय द्वारा वित्त पोषित किया गया था। हम कॉलेज ऑफ एडवांस्ड मैन्युफैक्चरिंग इनोवेशन, किंग मोंगकुट इंस्टीट्यूट ऑफ टेक्नोलॉजी, लाडक्राबांग को भी धन्यवाद देते हैं जिन्होंने अनुसंधान परियोजना का समर्थन करने के लिए गहन शिक्षण मंच और सॉफ्टवेयर प्रदान किया है।
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 |
Referências
- 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).
