Auto-Identificação Superior de Parasitas Tripanossomas Usando um Modelo Híbrido de Aprendizagem Profunda

Summary

Parasitas sanguíneos médicos em todo o mundo foram rastreados automaticamente usando passos simples em uma plataforma de IA low-code. O diagnóstico prospectivo de filmes de sangue foi aprimorado com o uso de um método de detecção e classificação de objetos em um modelo híbrido de aprendizagem profunda. A colaboração de monitoramento ativo e modelos bem treinados ajuda a identificar focos de transmissão de tripanossomas.

Abstract

A tripanossomíase é um importante problema de saúde pública em várias regiões do mundo, incluindo o Sul da Ásia e o Sudeste Asiático. A identificação de áreas de focos de calor sob vigilância ativa é um procedimento fundamental para o controle da transmissão da doença. O exame microscópico é um método diagnóstico comumente utilizado. Depende, no entanto, principalmente de pessoal qualificado e experiente. Para resolver essa questão, um programa de inteligência artificial (IA) foi introduzido que faz uso de uma técnica híbrida de aprendizagem profunda de identificação de objetos e backbones de rede neural de classificação de objetos na plataforma interna de IA low-code (CiRA CORE). O programa pode identificar e classificar as espécies de protozoários tripanossomas, Trypanosoma cruzi, T. brucei e T. evansi, a partir de imagens microscópicas de imersão em óleo. O programa de IA utiliza o reconhecimento de padrões para observar e analisar vários protozoários dentro de uma única amostra de sangue e destaca o núcleo e o cinetoplasto de cada parasita como características específicas usando um mapa de atenção.

Para avaliar o desempenho do programa de IA, dois módulos exclusivos são criados que fornecem uma variedade de medidas estatísticas, como precisão, recordação, especificidade, precisão, pontuação F1, taxa de classificação incorreta, curvas de características operacionais do receptor (ROC) e curvas de precisão versus recall (PR). Os resultados da avaliação mostram que o algoritmo de IA é eficaz na identificação e categorização de parasitas. Ao fornecer uma ferramenta de triagem rápida, automatizada e precisa, essa tecnologia tem o potencial de transformar a vigilância e o controle de doenças. Também poderia ajudar as autoridades locais a tomar decisões mais informadas sobre estratégias de bloqueio da transmissão de doenças.

Introduction

A tripanossomíase é um desafio significativo para os problemas de saúde global devido à variedade de espécies zoonóticas causadoras de doenças humanas com ampla distribuição geográfica fora dos continentes africano e americano, como sul e sudeste da Ásia ^1,2,3. A tripanossomíase africana humana (HAT), ou doença do sono, é causada pelo Trypanosoma brucei gambiense e T. b. rhodesiense que produzem as formas crônica e aguda, respectivamente, representando a maior disseminação na África. O parasita causador pertence ao grupo Salivaria devido à transmissão de moscas tsé-tsé pela saliva infectada⁴. Considerando que a conhecida tripanossomíase americana (doença de Chagas) causada pelo T. cruzi tem sido um problema de saúde pública para os países não endémicos; incluindo Canadá, EUA, Europa, Austrália e Japão, devido à migração frequente de indivíduos de áreas endêmicas⁵. A infecção por tripanossomas pertence ao grupo Stercoraria porque é transmitida pelas fezes infectadas de percevejos reduviídeos. As tripanossomíases e tripanossomoses (doença de Surra) causadas pela infecção por T. evansi são endêmicas na África, América do Sul, Ásia Ocidental e Oriental e países do Sul e Sudeste Asiático ^3,6. Embora a tripanossomíase humana causada pelo tripanossoma tenha sido relatada 3,4,7,8,9,10,11,12, a via de transmissão da infecção parasitária é debatida: seja o sangue mecânico ou infectado através de insetos hematófagos como moscas tsé-tsé e tabanídeos ou mutucas ^6,7, 8,9,10,12,13,14. Nenhum relato de caso foi encontrado na Tailândia, no entanto, uma alta prevalência da infecção por T. evansi em cães¹⁵, cavalos de corrida e búfalos na região leste foi publicada¹⁶, sugerindo que teria ocorrido uma transmissão adquirida entre animais domésticos. Várias infecções humanas atípicas causadas por tripanossomas animais (T. vivax, T. b. brucei, T. congolense, T. lewisi e T. evansi) foram relatadas, que não são as formas clássicas de tripanossomas humanos¹⁷. A conscientização sobre infecções humanas atípicas pode estar subestimada, destacando a necessidade de melhores testes diagnósticos e investigações de campo para detecção e confirmação desses casos atípicos, além de permitir o controle e o tratamento adequados das doenças patogênicas animais que afetam a pecuária global, a segurança alimentar¹⁸ e a saúde humana. Isso levou ao desenvolvimento de uma estratégia potencial integrada com um método comum existente (exame microscópico) para rastrear rapidamente amostras de sangue em áreas remotas durante a vigilância ativa, permitindo a identificação das zonas de pontos críticos para restringir e controlar a doença.

A incidência esporádica da doença de Surra em uma ampla gama de animais domésticos, como dromedários, bovinos, equinos e cães, que evocam um T. evansi eurixenoso, pode ser zoonótico para humanos 1,4,13,14. A infecção humana parece impossível porque um fator tripanolítico no soro humano, expresso a partir de um gene sra-like, é capaz de prevenir T. brucei e T. congolense^{humanos 12,19}. Além disso, como demonstra o primeiro relato de caso na Índia, a doença não tem associação com pacientes HIV imunocomprometidos⁴. Como descrito acima, a possível infecção humana pode estar relacionada a uma deficiência de lipoproteína de alta densidade com função anormal do fator lítico tripanossoma, que é uma desordem genética autossômica recessiva rara,^{a doença de} Tânger4. Em 2016, descobriu-se que um paciente vietnamita possuía dois alelos APOL1 selvagens e uma concentração sérica de APOL1 dentro da faixa normal. Entretanto, a teoria da deficiência de APOL-1 não é mais considerada válida¹². Portanto, um possível mecanismo de infecção por tripanossomas é o contato direto de uma ferida com sangue de animais infectados durante a criação ocupacional^{de animais 4,12}. O exame microscópico revela que a morfologia de T. evansi é uma forma monomórfica do tripomastigota, incluindo um tripanossoma predominantemente longo, delgado, flagelado e em divisão, que é semelhante à sua espécie relativa de T. brucei ^1,12,13. O núcleo está na posição central com um pequeno cinetoplasto visível na posição posterior. Um estudo anterior indicou que o parasita pode existir em duas formas comparáveis, conhecidas como formas clássica e truncada. No entanto, ainda é necessário confirmar seus respectivos efeitos patogênicos sobre os hospedeiros²⁰. O curso dos sintomas varia de febre intermitente associada a calafrios e sudorese. Suramin, felizmente, é uma terapia de primeira linha bem-sucedida para tripanossomíase africana humana em estágio inicial, sem invasão do sistema nervoso central (SNC), curando pacientes na Índia e no Vietnã ^4,12,21.

Com exceção do exame clínico dos sinais, existem vários métodos diagnósticos para o parasita T. evansi, incluindo observação microscópica parasitológica4,9,12, testes sorológicos4,8,9,10,12 e biológicos ^{moleculares4,12}. Filmes de sangue fino corados com Giemsa são frequentemente usados para visualizar o parasita presente no exame microscópico, que é rotineira e comumente usado²². No entanto, o procedimento parece ser viável; no entanto, é demorado e trabalhoso, apresenta variabilidade na avaliação interobservadores, é sensível apenas a uma fase aguda e requer um treinamento pessoal²³. Tanto a biologia molecular quanto os testes sorológicos também necessitaram de pessoal altamente qualificado para realizar múltiplos processos de preparação das amostras, incluindo a extração e purificação das amostras antes de testá-las com aparelhos caros, de difícil padronização, risco de contaminação com materiais extraparasitários e discrepâncias nos resultados²⁴. Com base no raciocínio descrito acima, a tecnologia de triagem rápida e precoce é necessária para apoiar o estudo de vigilância de campo e garantir que o resultado da pesquisa seja relatado em tempo hábil para identificar a zona do hotspot para maior controle da transmissão da doença ^1,8. Os dispositivos computadorizados (CAD) têm sido propostos como uma tecnologia inovadora para a área médica, incluindo tarefas histopatológicas e^{citopatológicas25}. O CAD citado acima foi realizado em alta velocidade e computado por meio de reconhecimento de padrões, ou seja, inteligência artificial (IA). O método de IA é realizado usando algoritmos de redes neurais convolucionais que podem ser usados para lidar com um grande número de amostras de conjunto de dados, especialmente, uma abordagem de aprendizado supervisionado que treina um modelo bem treinado sobre o consumo de dados.

Em geral, a IA é a capacidade dos computadores de resolver tarefas que exigem inteligência especializada, como a rotulagem de dados. O aprendizado de máquina (ML), um subcampo da IA, é representado como um sistema de computador com dois processos diferentes compostos de extração de recursos e reconhecimento de padrões. Deep learning (DL), ou algoritmos avançados de ML, refere-se ao desenvolvimento de programas e dispositivos computadorizados comparando o desempenho humano com níveis de acurácia maiores e iguais ao realizado por profissionais humanos²⁶. Atualmente, o papel da EaD nas áreas médica e veterinária vem se expandindo e revolucionando de forma promissora a prevenção de doenças transmissíveis com o objetivo de prevenir recentemente e direcioná-la para a equipe de saúde individual^22,27. A aplicação DL potencial é ilimitada com rótulos de qualidade e um grande número de conjuntos de dados aumentados, liberando especialistas para gerenciar a tarefa do projeto. Especificamente, um avanço na imagem digital, juntamente com a análise assistida por computador, melhorou o diagnóstico automático e a triagem em cinco categorias de patologia relatada; incluindo métodos estáticos, dinâmicos, robóticos, imagens de lâminas inteiras e métodos híbridos²⁸. É necessário considerar que a integração de abordagens de algoritmos de EaD e dados de imagens digitais poderia encorajar a equipe local a utilizar a tecnologia em suas práticas diárias.

Anteriormente, o aumento na precisão de predição do uso de um modelo híbrido havia sido comprovado²⁷. Para identificar o parasita tripanossoma em imagens microscópicas, esta pesquisa apresenta dois modelos híbridos, incorporando os algoritmos YOLOv4-tiny (detecção de objetos) e Densenet201 (classificação de objetos). Dentre vários modelos de detecção, YOLOv4-tiny com backbone CSPDarknet53 apresentou alto desempenho como resultado de predição em termos de localização e classificação²⁹. Como o detector em tempo real modificou o equilíbrio ideal entre a resolução da rede de entrada, a quantidade da camada convolucional, o parâmetro total e o número de saídas da camada, ele melhorou a priorização de velocidades de operação rápidas e a otimização para cálculos paralelos em comparação com as versões anteriores. A Rede Convolucional Densa (DenseNet) é outro modelo popular que alcança resultados de última geração em conjuntos de dados competitivos. DenseNet201 produziu um erro de validação semelhante comparável ao do ResNet101; no entanto, o DenseNet201 tem menos de 20 milhões de parâmetros, o que é menos do que os mais de 40 milhões de parâmetros do ResNet101³⁰. Portanto, o modelo DenseNet poderia melhorar a precisão da predição com um número crescente de parâmetros sem sinal de sobreajuste. Aqui, um programa de inteligência artificial (IA) utiliza um algoritmo híbrido de aprendizado profundo com backbones de rede neural de detecção e classificação profunda na plataforma interna CiRA CORE. O programa desenvolvido pode identificar e classificar as espécies de protozoários tripanossomas, Trypanosoma cruzi, T. brucei e T. evansi, a partir de imagens microscópicas de imersão em óleo. Essa tecnologia tem o potencial de revolucionar a vigilância e o controle de doenças, fornecendo um método de triagem rápido, automatizado e preciso. Poderia ajudar o pessoal local a tomar decisões mais informadas sobre estratégias de bloqueio da transmissão de protozoários parasitários.

Protocol

Os filmes de sangue arquivados e o desenho do projeto foram aprovados pelo Comitê Institucional de Biossegurança, pelo Comitê Institucional de Cuidados e Uso de Animais da Faculdade de Ciências Veterinárias da Universidade de Chulalongkorn (IBC No. 2031033 e IACUC No. 1931027), e pelo Comitê de Ética em Pesquisa Humana do Instituto de Tecnologia de Ladkrabang do Rei Mongkut (EC-KMITL_66_014). 1. Preparação de imagens brutas A preparação do conjunto de dado…

Representative Results

Neste estudo, algoritmos híbridos de aprendizagem profunda foram propostos para ajudar a prever automaticamente a positividade de uma amostra de sangue com uma infecção por parasita tripanossoma. Filmes de sangue arquivados e corados com Giemsa foram classificados para localizar e classificar os parasitados versus não parasitas usando o algoritmo de detecção de objetos baseado em uma rede neural de backbone darknet. Dentro de qualquer resultado de predição de caixa retangular obtido pelo modelo anterior, o modelo…

Discussion

A observação microscópica para a infecção por protozoários Trypanosoma é precoce e comumente usada, especialmente durante a vigilância em áreas remotas, onde há falta de técnicos qualificados e processos trabalhosos e demorados, que são obstáculos para relatar a organização de saúde em tempo hábil. Embora técnicas de biologia molecular, como imunologia e reação em cadeia da polimerase (PCR), tenham sido aprovadas como métodos de alta sensibilidade para apoiar a eficácia dos achados laboratoriais, pr…

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