Overlegen automatisk identifikation af trypanosomparasitter ved hjælp af en hybrid dyb læringsmodel

Summary

Verdensomspændende medicinske blodparasitter blev automatisk screenet ved hjælp af enkle trin på en AI-platform med lav kode. Den potentielle diagnose af blodfilm blev forbedret ved hjælp af en objektdetekterings- og klassificeringsmetode i en hybrid dyb læringsmodel. Samarbejdet mellem aktiv overvågning og veltrænede modeller hjælper med at identificere hotspots for trypanosomtransmission.

Abstract

Trypanosomiasis er et væsentligt folkesundhedsproblem i flere regioner over hele verden, herunder Sydasien og Sydøstasien. Identifikation af hotspotområder under aktiv overvågning er en grundlæggende procedure til kontrol af overførsel af sygdomme. Mikroskopisk undersøgelse er en almindeligt anvendt diagnostisk metode. Det er ikke desto mindre primært afhængigt af kvalificeret og erfarent personale. For at løse dette problem blev der introduceret et program for kunstig intelligens (AI), der gør brug af en hybrid dyb læringsteknik til objektidentifikation og objektklassificering neurale netværksrygrad på den interne AI-platform med lav kode (CiRA CORE). Programmet kan identificere og klassificere protozoerne trypanosomarter, nemlig Trypanosoma cruzi, T. brucei og T. evansi, fra olie-nedsænkning mikroskopiske billeder. AI-programmet bruger mønstergenkendelse til at observere og analysere flere protozoer inden for en enkelt blodprøve og fremhæver kernen og kinetoplasten af hver parasit som specifikke karakteristiske træk ved hjælp af et opmærksomhedskort.

For at vurdere AI-programmets ydeevne oprettes to unikke moduler, der giver en række statistiske målinger såsom nøjagtighed, tilbagekaldelse, specificitet, præcision, F1-score, fejlklassificeringshastighed, kurver for modtagerens driftsegenskaber (ROC) og præcision versus tilbagekaldelse (PR) kurver. Vurderingsresultaterne viser, at AI-algoritmen er effektiv til at identificere og kategorisere parasitter. Ved at levere et hurtigt, automatiseret og præcist screeningsværktøj har denne teknologi potentialet til at transformere sygdomsovervågning og -kontrol. Det kunne også hjælpe lokale embedsmænd med at træffe mere informerede beslutninger om strategier til blokering af sygdomsoverførsel.

Introduction

Trypanosomiasis er en betydelig udfordring for globale sundhedsproblemer på grund af en række zoonotiske arter, der forårsager menneskelig sygdom med en bred vifte af geografisk fordeling uden for de afrikanske og amerikanske kontinenter, såsom Syd- og Sydøstasien ^1,2,3. Human afrikansk trypanosomiasis (HAT) eller sovesyge, er forårsaget af Trypanosoma brucei gambiense og TB rhodesiense, der producerer henholdsvis kroniske og akutte former, der repræsenterer den største spredning i Afrika. Den forårsagende parasit tilhører Salivaria-gruppen på grund af transmissionen af inficeret spyt af Tsetse-fluer⁴. den velkendte amerikanske trypanosomiasis (Chagas’ sygdom) forårsaget af T. cruzi har været et folkesundhedsproblem for ikke-endemiske lande; herunder Canada, USA, Europa, Australien og Japan på grund af den hyppige migration af individer fra endemiske områder⁵. Trypanosominfektionen tilhører Stercoraria-gruppen, fordi den overføres af de inficerede afføring af reduviid bugs. Trypanosomiaserne og trypanosomoserne (Surra sygdom) forårsaget af T. evansi-infektionen er endemiske i Afrika, Sydamerika, Vest- og Østasien og Syd- og Sydøstasiatiske lande ^3,6. Selvom human trypanosomiasis forårsaget af trypanosomet er blevet rapporteret 3,4,7,8,9,10,11,12, diskuteres overførselsvejen for parasitinfektionen: enten det mekaniske eller inficerede blod gennem hæmatofagiske insekter såsom tsetsefluer og tabanider eller hestefluer ^6,7, 8,9,10,12,13,14. Der er ikke fundet nogen caserapport i Thailand, men en høj forekomst af T. evansi-infektionen hos hund¹⁵, væddeløbsheste og vandbøffel i den østlige region er blevet offentliggjort¹⁶, hvilket tyder på, at en erhvervet transmission mellem husdyr ville have fundet sted. Flere atypiske humane infektioner forårsaget af dyretrypanosomer (T. vivax, T. b. brucei, T. congolense, T. lewisi og T. evansi) blev rapporteret, som ikke er de klassiske former for humane trypanosomer¹⁷. Bevidstheden om atypiske infektioner hos mennesker kan undervurderes, hvilket understreger behovet for forbedrede diagnostiske test og feltundersøgelser til påvisning og bekræftelse af disse atypiske tilfælde og giver mulighed for korrekt kontrol og behandling af dyrepatogene sygdomme, der påvirker globale husdyr, fødevaresikkerhed¹⁸ og menneskers sundhedspleje. Dette førte til udviklingen af en potentiel strategi integreret med en eksisterende fælles metode (mikroskopisk undersøgelse) til hurtigt at screene blodprøver i fjerntliggende områder under aktiv overvågning, hvilket gør det muligt at identificere hotspotzoner til begrænsning og bekæmpelse af sygdommen.

At have en sporadisk forekomst af Surra sygdom i en bred vifte af husdyr såsom dromedarer, kvæg, heste og hunde, der fremkalder en euryxenous T. evansi, kan være zoonotisk for mennesker 1,4,13,14. Menneskelig infektion synes umulig, fordi en trypanolytisk faktor i humant serum, udtrykt fra et sra-lignende gen, er i stand til at forhindre human T. brucei og T. congolense^12,19. Som den første caserapport fra Indien viser, har sygdommen desuden ingen sammenhæng med immunkompromitterede hiv-patienter⁴. Som beskrevet ovenfor kan den mulige humane infektion være relateret til en lipoproteinmangel med høj densitet med unormal funktion af trypanosomlytisk faktor, som er en sjælden autosomal recessiv genetisk lidelse, nemlig Tanger sygdom⁴. I 2016 blev en vietnamesisk patient opdaget at besidde to vildtype APOL1-alleler og en serum-APOL1-koncentration inden for normalområdet. Imidlertid betragtes teorien om APOL-1-mangel ikke længere som gyldig¹². Derfor er en mulig mekanisme for trypanosominfektion direkte kontakt mellem et sår og inficeret dyreblod under erhvervsmæssig husdyrbrug ^4,12. Mikroskopisk undersøgelse afslører, at T. evansi-morfologi er en monomorf form af trypomastigote, herunder et overvejende lang, slankt, flagelleret og delende trypanosom, der ligner deres relative arter af T. brucei ^1,12,13. Kernen er i den centrale position med en synlig lille kinetoplast i den bageste position. En tidligere undersøgelse viste, at parasitten kan eksistere i to sammenlignelige former, kendt som de klassiske og afkortede former. Det er dog fortsat nødvendigt at bekræfte deres respektive patogene virkninger på værter²⁰. Forløbet af symptomer varierer lige fra intermitterende feber forbundet med kulderystelser og svedtendens. Suramin, heldigvis, er en vellykket første-linje terapi for tidlig fase human afrikansk trypanosomiasis uden invasion af centralnervesystemet (CNS), helbredende patienter i Indien og Vietnam ^4,12,21.

Bortset fra klinisk tegnundersøgelse findes der flere diagnostiske metoder for T. evansi-parasitter, herunder parasitologisk mikroskopisk observation ^4,9,12, serologisk ^4,8,9,10,12 og molekylærbiologiske test ^4,12. Tyndblodsfilm farvet med Giemsa bruges ofte til at visualisere parasitten, der er til stede under mikroskopisk undersøgelse, som rutinemæssigt og almindeligt anvendes²². Proceduren ser imidlertid ud til at være mulig. Ikke desto mindre er det tidskrævende og arbejdskrævende, har interrater vurderingsvariation, er følsomt over for kun en akut fase og kræver en personlig praktikant²³. Både molekylærbiologi og serologisk testning havde også brug for højt kvalificeret personale til at udføre flere processer til prøveforberedelse, herunder ekstraktion og rensning af prøverne, før de testes med dyrt apparatur, hvilket er vanskeligt at standardisere, risiko for kontaminering med ekstraparasitære materialer og uoverensstemmelser i resultaterne²⁴. På grundlag af ovennævnte rationale er der behov for hurtig og tidlig screeningteknologi til støtte for feltovervågningsundersøgelsen og sikre, at undersøgelsesresultatet indberettes rettidigt med henblik på at identificere hotspotzonen med henblik på yderligere kontrol med sygdomsoverførslen ^1,8. Computerbaserede enheder (CAD) er blevet foreslået som en innovativ teknologi til medicinske områder, herunder histopatologiske og cytopatologiske opgaver²⁵. CAD nævnt ovenfor blev udført med høj hastighed og beregnet ved hjælp af mønstergenkendelse, nemlig kunstig intelligens (AI). AI-metoden opnås ved hjælp af convolutional neurale netværksalgoritmer, der kan bruges til at håndtere et stort antal datasætprøver, især en overvåget læringstilgang, der træner en veltrænet model efter dataforbrug.

Generelt er AI computerens evne til at løse opgaver, der kræver ekspertintelligens, såsom datamærkning. Machine learning (ML), et underfelt af AI, er repræsenteret som et computersystem med to forskellige processer, der består af funktionsekstraktion og mønstergenkendelse. Deep learning (DL) eller avancerede ML-algoritmer henviser til udviklingen af computeriserede programmer og enheder, der sammenligner menneskelignende ydeevne med nøjagtighedsniveauer, der er større og lig med den, der opnås af menneskelige fagfolk²⁶. I øjeblikket er DL’s rolle på medicinske og veterinære områder lovende at udvide og revolutionere forebyggelse af smitsomme sygdomme med det formål at forebygge nyere og lede det til individuelt sundhedspersonale ^22,27. Den potentielle DL-applikation er ubegrænset med kvalitetsmærker og et stort antal udvidede datasæt, hvilket frigør specialister til at styre projektopgaven. Specifikt forbedrede et fremskridt i det digitale billede sammen med computerassisteret analyse den automatiske diagnostik og screening i fem rapporterede kategorier af patologi; herunder statiske, dynamiske, robotiske, hele diasbilleddannelse og hybride metoder²⁸. Det er nødvendigt at overveje, at integrationen af DL-algoritmemetoder og digitale billeddata kan tilskynde lokalt personale til at bruge teknologien i deres daglige praksis.

Tidligere var stigningen i forudsigelsesnøjagtighed ved brug af en hybridmodel blevet bevist²⁷. For at identificere trypanosomparasitten i mikroskopiske billeder præsenterer denne forskning to hybridmodeller, der inkorporerer YOLOv4-tiny (objektdetektion) og Densenet201 (objektklassificering) algoritmer. Blandt flere detektionsmodeller viste YOLOv4-tiny med en CSPDarknet53-rygrad høj ydeevne som et forudsigelsesresultat med hensyn til lokalisering og klassificering²⁹. Da realtidsdetektoren har ændret den optimale balance mellem inputnetværksopløsningen, mængden af det konvolutionelle lag, den samlede parameter og antallet af lagudgange, har den forbedret prioritering af hurtige driftshastigheder og optimering til parallelle beregninger sammenlignet med tidligere versioner. Dense Convolutional Network (DenseNet) er en anden populær model, der opnår state-of-the-art resultater på tværs af konkurrencedygtige datasæt. DenseNet201 gav en lignende valideringsfejl, der kan sammenlignes med ResNet101; DenseNet201 har dog færre end 20 millioner parametre, hvilket er mindre end ResNet101’s mere end 40 millioner parametre³⁰. Derfor kunne DenseNet-modellen forbedre forudsigelsesnøjagtigheden med et stigende antal parametre uden tegn på overfitting. Her anvender et program for kunstig intelligens (AI) en hybrid deep learning-algoritme med dyb detektions- og klassificeringsneurale netværksrygrad på den interne CiRA CORE-platform. Det udviklede program kan identificere og klassificere de protozoiske trypanosomarter, nemlig Trypanosoma cruzi, T. brucei og T. evansi, fra olie-nedsænkningsmikroskopiske billeder. Denne teknologi har potentialet til at revolutionere sygdomsovervågning og -kontrol ved at levere en hurtig, automatiseret og nøjagtig screeningsmetode. Det kunne hjælpe lokalt personale med at træffe mere informerede beslutninger om transmissionsblokerende strategier for parasitisk protozosygdom.

Protocol

Arkiverede blodfilm og projektdesign blev godkendt af Institutional Biosafety Committee, Institutional Animal Care and Use Committee ved Det Veterinærvidenskabelige Fakultet, Chulalongkorn University (IBC nr. 2031033 og IACUC nr. 1931027) og Human Research Ethics Committee of King Mongkut’s Institute of Technology Ladkrabang (EC-KMITL_66_014). 1. Forberedelse af råbilleder Forberedelse af billeddatasætFå mindst 13 positive dias med blodparasitinfektioner,…

Representative Results

I denne undersøgelse blev hybride deep learning-algoritmer foreslået for automatisk at hjælpe med at forudsige positiviteten af en blodprøve med en trypanosomparasitinfektion. Arkiverede, Giemsa-farvede blodfilm blev sorteret for at lokalisere og klassificere de parasiterede versus ikke-parasitære ved hjælp af objektdetekteringsalgoritmen baseret på et darknet backbone neuralt netværk. Inden for ethvert rektangulært kasseforudsigelsesresultat opnået ved den foregående model blev den bedst valgte klassifikation…

Discussion

Mikroskopisk observation for Trypanosoma protozoer infektion er tidligt og almindeligt anvendt, især under overvågning i fjerntliggende områder, hvor der er mangel på dygtige teknikere og arbejdskrævende og tidskrævende processer, der alle er hindringer for at rapportere sundhedsorganisationen rettidigt. Selvom molekylærbiologiske teknikker som immunologi og polymerasekædereaktion (PCR) er blevet godkendt som højfølsomme metoder til at understøtte effektiviteten af laboratoriefund, er der behov for dyre kemika…

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