Превосходная автоматическая идентификация трипаносомных паразитов с помощью гибридной модели глубокого обучения

Summary

Медицинские паразиты крови во всем мире были автоматически проверены с помощью простых шагов на платформе искусственного интеллекта с минимумом программирования. Проспективная диагностика пленок крови была улучшена за счет использования метода обнаружения и классификации объектов в гибридной модели глубокого обучения. Сотрудничество активного мониторинга и хорошо обученных моделей помогает выявлять очаги передачи трипаносом.

Abstract

Трипаносомоз является серьезной проблемой общественного здравоохранения в нескольких регионах мира, включая Южную и Юго-Восточную Азию. Выявление очагов, находящихся под активным эпиднадзором, является основополагающей процедурой борьбы с передачей болезни. Микроскопическое исследование является широко используемым методом диагностики. Тем не менее, она в первую очередь зависит от квалифицированного и опытного персонала. Для решения этой проблемы была внедрена программа искусственного интеллекта (ИИ), использующая гибридную технику глубокого обучения нейронных сетей идентификации и классификации объектов на собственной low-code платформе искусственного интеллекта (CiRA CORE). Программа может идентифицировать и классифицировать простейшие виды трипаносом, а именно Trypanosoma cruzi, T. brucei и T. evansi, по микроскопическим изображениям, полученным методом погружения в масло. Программа искусственного интеллекта использует распознавание образов для наблюдения и анализа нескольких простейших в одном образце крови и выделяет ядро и кинетопласт каждого паразита как специфические характерные черты с помощью карты внимания.

Для оценки производительности программы ИИ созданы два уникальных модуля, которые предоставляют различные статистические показатели, такие как точность, полнота, специфичность, точность, оценка F1, частота неправильной классификации, кривые рабочих характеристик приемника (ROC) и кривые точности в зависимости от полноты (PR). Результаты оценки показывают, что алгоритм ИИ эффективен при выявлении и классификации паразитов. Предоставляя быстрый, автоматизированный и точный инструмент скрининга, эта технология имеет потенциал для трансформации эпиднадзора и контроля заболеваний. Это также может помочь местным должностным лицам в принятии более обоснованных решений по стратегиям блокирования передачи болезней.

Introduction

Трипаносомоз представляет собой серьезную проблему для глобальных проблем здравоохранения из-за разнообразия зоонозных видов, вызывающих заболевания человека, с широким диапазоном географического распространения за пределами Африканского и Американского континентов, таких как Южная и Юго-Восточная Азия ^1,2,3. Африканский трипаносомоз человека (HAT), или сонная болезнь, вызывается Trypanosoma brucei gambiense и T. b. rhodesiense, которые продуцируют хроническую и острую формы соответственно, представляя собой основное распространение в Африке. Возбудитель паразита относится к группе Salivaria из-за передачи через инфицированную слюну мух цеце⁴. Принимая во внимание, что хорошо известный американский трипаносомоз (болезнь Шагаса), вызываемый T. cruzi, является проблемой общественного здравоохранения в неэндемичных странах; включая Канаду, США, Европу, Австралию и Японию, из-за частой миграции отдельных лиц из эндемичных районов⁵. Трипаносомная инфекция относится к группе Stercoraria, потому что она передается через инфицированные фекалии редувиидных клопов. Трипаносомозы и трипаносомозы (болезнь Сурра), вызванные инфекцией T. evansi, являются эндемичными в Африке, Южной Америке, Западной и Восточной Азии, а также в странах Южной и Юго-Восточной Азии ^3,6. Несмотря на то, что сообщалось о трипаносомозе человека, вызванном трипаносомой 3,4,7,8,9,10,11,12, пути передачи паразитарной инфекции обсуждаются: либо механическая, либо инфицированная кровь через насекомых-гематофагов, таких как мухи цеце и табаниды или слепни ^6,7, 8,9,10,12,13,14. В Таиланде не было обнаружено ни одного случая заболевания, однако^{были опубликованы} данные о высокой распространенности инфекции T. evansi среди собак¹⁵, скаковых лошадей и буйволов в восточном регионе, что позволяет предположить, что могла произойти приобретенная передача инфекции между домашними животными. Сообщалось о нескольких атипичных инфекциях человека, вызванных трипаносомами животных (T. vivax, T. b. brucei, T. congolense, T. lewisi и T. evansi), которые не являются классическими формами трипаносом человека¹⁷. Осведомленность об атипичных инфекциях людей может быть недооценена, что подчеркивает необходимость совершенствования диагностических тестов и полевых расследований для выявления и подтверждения этих нетипичных случаев, а также позволяет обеспечить надлежащий контроль и лечение патогенных болезней животных, которые влияют на глобальное животноводство, продовольственную^{безопасность18} и здоровье людей. Это привело к разработке потенциальной стратегии, интегрированной с существующим общим методом (микроскопическое исследование) для быстрого скрининга образцов крови в отдаленных районах во время активного эпиднадзора, что позволило бы идентифицировать очаги для ограничения и контроля заболевания.

Спорадические случаи болезни Сурра у широкого круга домашних животных, таких как одногорбые верблюды, крупный рогатый скот, лошади и собаки, которые напоминают эвриксенозную T. evansi, могут быть зоонозными для людей 1,4,13,14. Инфицирование человека представляется невозможным, поскольку трипанолитический фактор в сыворотке крови человека, экспрессируемый из sra-подобного гена, способен предотвращать появление у человека T. brucei и T. congolense^12,19. Кроме того, как показано в первом сообщении о случае из Индии, болезнь не связана с ВИЧ-инфекцией у пациентов с ослабленным^{иммунитетом4}. Как было описано выше, возможная инфекция человека может быть связана с дефицитом липопротеидов высокой плотности с нарушением функции литического фактора трипаносомы, что является редким аутосомно-рецессивным генетическим заболеванием, а именно болезнью Танжера⁴. В 2016 году у вьетнамского пациента были обнаружены два аллеля APOL1 дикого типа и сывороточная концентрация APOL1 в пределах нормы. Однако теория дефицита APOL-1 больше не считается достоверной¹². Таким образом, одним из возможных механизмов трипаносомной инфекции является непосредственный контакт раны с инфицированной кровью животного во время профессионального животноводства ^4,12. Микроскопическое исследование показывает, что морфология T. evansi представляет собой мономорфную форму трипомастиготы, включающую преобладающую длинную тонкую, жгутиковую и делящуюся трипаносому, которая сходна с родственными видами T. brucei ^1,12,13. Ядро находится в центральном положении с видимым небольшим кинетопластом в заднем положении. Предыдущее исследование показало, что паразит может существовать в двух сопоставимых формах, известных как классическая и усеченная формы. Тем не менее, остается необходимым подтвердить их соответствующее патогенное воздействие на хозяев²⁰. Течение симптомов варьирует, начиная от перемежающейся лихорадки, связанной с ознобом и потливостью. Сурамин, к счастью, является успешной терапией первой линии для лечения ранней стадии африканского трипаносомоза человека без инвазии в центральную нервную систему (ЦНС), исцеляя пациентов в Индии и Вьетнаме ^4,12,21.

Кроме исследования клинических признаков, существует несколько методов диагностики паразитов T. evansi, в том числе паразитологическое микроскопическое наблюдение ^4,9,12, серологическое ^4,8,9,10,12 и молекулярно-биологические тесты ^4,12. Тонкокровяные пленки, окрашенные Гимза, часто используются для визуализации паразита, присутствующего при микроскопическом исследовании, которое обычно и широко используется²². Тем не менее, процедура представляется осуществимой; Тем не менее, она является трудоемкой и трудоемкой, имеет вариативность оценок между оценщиками, чувствительна только к острой фазе и требует личного стажера²³. Как молекулярная биология, так и серологическое тестирование также требовали высококвалифицированного персонала для выполнения нескольких процессов пробоподготовки, включая извлечение и очистку образцов перед их тестированием с помощью дорогостоящего оборудования, которое трудно стандартизировать, риск загрязнения внепаразитарными материалами и расхождения в результатах²⁴. Исходя из вышеизложенного обоснования, необходима технология быстрого и раннего скрининга для поддержки полевого эпиднадзора и обеспечения своевременного представления результатов обследования для выявления зоны очага для дальнейшего контроля за передачей болезни ^1,8. Компьютеризированные устройства (САПР) были предложены в качестве инновационной технологии для медицинских областей, включая гистопатологические и цитопатологические задачи²⁵. Упомянутая выше САПР была выполнена на высокой скорости и рассчитана с помощью распознавания образов, а именно искусственного интеллекта (ИИ). Метод ИИ реализуется с помощью сверточных алгоритмов нейронных сетей, которые можно использовать для работы с большим количеством выборок наборов данных, в частности, с помощью контролируемого подхода к обучению, который обучает хорошо обученную модель на основе потребления данных.

В целом, ИИ — это способность компьютеров решать задачи, требующие экспертного интеллекта, такие как маркировка данных. Машинное обучение (ML), подобласть ИИ, представлена в виде компьютерной системы с двумя различными процессами, состоящими из извлечения признаков и распознавания образов. Глубокое обучение (DL), или продвинутые алгоритмы машинного обучения, относится к разработке компьютеризированных программ и устройств, сравнивающих производительность, подобную человеческой, с уровнями точности, превышающими и равными уровням, достигаемым профессионалами-людьми. В настоящее время роль ДО в медицинской и ветеринарной областях многообещающе расширяет и революционизирует профилактику инфекционных заболеваний с целью недавней профилактики и доведения ее до индивидуального медицинского персонала^22,27. Возможности применения ДО безграничны благодаря знакам качества и большому количеству дополненных наборов данных, что освобождает специалистов для управления проектной задачей. В частности, прогресс в области цифрового изображения наряду с компьютерным анализом улучшил автоматическую диагностику и скрининг в пяти категориях патологий; включая статические, динамические, роботизированные, целые методы визуализации предметных стекол и гибридные методы²⁸. Необходимо учитывать, что интеграция подходов алгоритма глубокого обучения и данных цифровых изображений может побудить местный персонал использовать эту технологию в своей повседневной деятельности.

Ранее было доказано повышение точности прогнозирования при использовании гибридной модели²⁷. Для идентификации трипаносомного паразита на микроскопических изображениях в данном исследовании представлены две гибридные модели, включающие алгоритмы YOLOv4-tiny (обнаружение объектов) и Densenet201 (классификация объектов). Среди нескольких моделей детектирования YOLOv4-tiny с магистралью CSPDarknet53 показала высокую производительность в качестве результата прогнозирования с точки зрения локализации и классификации²⁹. Поскольку детектор реального времени изменил оптимальный баланс между входным разрешением сети, количеством сверточного слоя, общим параметром и количеством выходов слоя, он улучшил приоритизацию высоких рабочих скоростей и оптимизацию для параллельных вычислений по сравнению с предыдущими версиями. Dense Convolutional Network (DenseNet) — еще одна популярная модель, которая позволяет получать самые современные результаты в конкурирующих наборах данных. DenseNet201 выдал аналогичную ошибку валидации, сравнимую с ошибкой ResNet101; однако DenseNet201 имеет менее 20 миллионов параметров, что меньше, чем у ResNet101 с более чем 40 миллионами параметров³⁰. Таким образом, модель DenseNet может повысить точность прогнозирования при увеличении числа параметров без признаков переобучения. Здесь программа искусственного интеллекта (ИИ) использует гибридный алгоритм глубокого обучения с нейронными сетями глубокого обнаружения и классификации на собственной платформе CiRA CORE. Разработанная программа позволяет идентифицировать и классифицировать виды простейших трипаносом, а именно Trypanosoma cruzi, T. brucei и T. evansi, по микроскопическим изображениям с масляной иммерсией. Эта технология может произвести революцию в эпиднадзоре и контроле заболеваний, обеспечивая быстрый, автоматизированный и точный метод скрининга. Это могло бы помочь местному персоналу в принятии более обоснованных решений по стратегиям блокирования передачи паразитарных простейших заболеваний.

Protocol

Архивные снимки крови и дизайн проекта были одобрены Институциональным комитетом по биобезопасности, Институциональным комитетом по уходу за животными и их использованию факультета ветеринарных наук Университета Чулалонгкорн (IBC No 2031033 и IACUC No 1931027) и Комитетом по этике исследований н?…

Representative Results

В этом исследовании были предложены гибридные алгоритмы глубокого обучения, помогающие автоматически предсказывать положительный результат образца крови при паразитарной инфекции трипаносомы. Заархивированные окрашенные Гимсой образцы крови были отсортированы, чтобы локализоват?…

Discussion

Микроскопическое наблюдение за инфекцией Trypanosoma protozoa является ранним и широко используемым, особенно во время эпиднадзора в отдаленных районах, где не хватает квалифицированных специалистов, а трудоемкие и длительные процессы являются препятствием для своевременного информирования…

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