Überlegene automatische Identifizierung von Trypanosomenparasiten durch Verwendung eines hybriden Deep-Learning-Modells

Summary

Weltweit wurden medizinische Blutparasiten in einfachen Schritten auf einer Low-Code-KI-Plattform automatisch gescreent. Die prospektive Diagnose von Blutausstrichen wurde durch den Einsatz einer Objekterkennungs- und Klassifikationsmethode in einem hybriden Deep-Learning-Modell verbessert. Das Zusammenwirken von aktivem Monitoring und gut trainierten Modellen hilft, Hotspots der Trypanosomenübertragung zu identifizieren.

Abstract

Trypanosomiasis ist ein bedeutendes Problem der öffentlichen Gesundheit in mehreren Regionen der Welt, darunter Südasien und Südostasien. Die Identifizierung von Hotspot-Gebieten unter aktiver Überwachung ist ein grundlegendes Verfahren zur Kontrolle der Krankheitsübertragung. Die mikroskopische Untersuchung ist eine häufig verwendete diagnostische Methode. Sie ist jedoch in erster Linie auf qualifiziertes und erfahrenes Personal angewiesen. Um dieses Problem anzugehen, wurde ein Programm für künstliche Intelligenz (KI) eingeführt, das eine hybride Deep-Learning-Technik aus neuronalen Netzwerk-Backbones zur Objektidentifikation und Objektklassifizierung auf der hauseigenen Low-Code-KI-Plattform (CiRA CORE) nutzt. Das Programm kann die protozoischen Trypanosomenarten, nämlich Trypanosoma cruzi, T. brucei und T. evansi, anhand von mikroskopischen Bildern identifizieren und klassifizieren. Das KI-Programm nutzt Mustererkennung, um mehrere Protozoen in einer einzigen Blutprobe zu beobachten und zu analysieren, und hebt den Zellkern und den Kinetoplast jedes Parasiten als spezifische charakteristische Merkmale mithilfe einer Aufmerksamkeitskarte hervor.

Um die Leistung des KI-Programms zu bewerten, werden zwei einzigartige Module erstellt, die eine Vielzahl statistischer Messgrößen wie Genauigkeit, Abruf, Spezifität, Präzision, F1-Score, Fehlklassifizierungsrate, ROC-Kurven (Receiver Operating Characteristics) und PR-Kurven (Precision versus Recall) bereitstellen. Die Bewertungsergebnisse zeigen, dass der KI-Algorithmus Parasiten effektiv identifizieren und kategorisieren kann. Durch die Bereitstellung eines schnellen, automatisierten und präzisen Screening-Tools hat diese Technologie das Potenzial, die Überwachung und Kontrolle von Krankheiten zu verändern. Es könnte auch lokalen Beamten dabei helfen, fundiertere Entscheidungen über Strategien zur Blockierung der Krankheitsübertragung zu treffen.

Introduction

Trypanosomiasis ist eine große Herausforderung für globale Gesundheitsprobleme, da es eine Vielzahl von Zoonosearten gibt, die menschliche Krankheiten verursachen und außerhalb des afrikanischen und amerikanischen Kontinents, wie z. B. Süd- und Südostasien, geografisch weit verbreitet sind ^1,2,3. Die humane afrikanische Trypanosomiasis (HAT) oder Schlafkrankheit wird durch Trypanosoma brucei gambiense und T. b. rhodesiense verursacht, die die chronischen bzw. akuten Formen hervorrufen, die die größte Verbreitung in Afrika darstellen. Der ursächliche Parasit gehört aufgrund der Übertragung von Tsetse-Fliegen durch infizierten Speichel zur Gruppe der Salivaria⁴. in der Erwägung, dass die bekannte amerikanische Trypanosomiasis (Chagas-Krankheit), die durch T. cruzi verursacht wird, für nicht endemische Länder ein Problem für die öffentliche Gesundheit darstellt. einschließlich Kanada, den USA, Europa, Australien und Japan, wegen der häufigen Migration von Individuen aus endemischen Gebieten⁵. Die Trypanosomeninfektion gehört zur Gruppe der Stercorarien, da sie durch den infizierten Kot von reduviiden Wanzen übertragen wird. Die durch die T. evansi-Infektion verursachten Trypanosomiasen und Trypanosomosen (Surra-Krankheit) sind in Afrika, Südamerika, West- und Ostasien sowie in süd- und südostasiatischen Ländern endemisch ^3,6. Obwohl über die durch das Trypanosom verursachte humane Trypanosomiasis berichtet wurde 3,4,7,8,9,10,11,12, ist der Übertragungsweg der Parasiteninfektion umstritten: entweder das mechanische oder infizierte Blut durch hämatophage Insekten wie Tsetsefliegen und Tabaniden oder Bremsen ^6,7, 8,9,10,12,13,14. In Thailand wurde kein Fallbericht gefunden, jedoch wurde eine hohe Prävalenz der T. evansi-Infektion bei Hunden¹⁵, Rennpferden und Wasserbüffeln in der östlichen Region veröffentlicht¹⁶, was auf eine erworbene Übertragung zwischen Haustieren hindeutet. Es wurden mehrere atypische Infektionen beim Menschen durch tierische Trypanosomen (T. vivax, T. b. brucei, T. congolense, T. lewisi und T. evansi) beschrieben, die nicht die klassischen Formen menschlicher Trypanosomen sind¹⁷. Das Bewusstsein für atypische Infektionen beim Menschen könnte unterschätzt werden, was die Notwendigkeit verbesserter diagnostischer Tests und Felduntersuchungen zur Erkennung und Bestätigung dieser atypischen Fälle unterstreicht und eine angemessene Kontrolle und Behandlung von tierpathogenen Krankheiten ermöglicht, die den weltweiten Viehbestand, die Ernährungssicherheit¹⁸ und die menschliche Gesundheitsversorgung betreffen. Dies führte zur Entwicklung einer potenziellen Strategie, die in eine bestehende gängige Methode (mikroskopische Untersuchung) integriert ist, um Blutproben in abgelegenen Gebieten während der aktiven Überwachung schnell zu untersuchen und so die Identifizierung der Hotspot-Zonen zur Eindämmung und Kontrolle der Krankheit zu ermöglichen.

Ein sporadisches Auftreten der Surra-Krankheit bei einer Vielzahl von Haustieren wie Dromedaren, Rindern, Pferden und Hunden, die einen euryxenous T. evansi hervorrufen, kann für den Menschen zoonotisch sein 1,4,13,14. Eine Infektion beim Menschen scheint unmöglich zu sein, da ein trypanolytischer Faktor im menschlichen Serum, der von einem sra-ähnlichen Gen exprimiert wird, in der Lage ist, menschliches T. brucei und T. congolense zu verhindern ^12,19. Darüber hinaus hat die Krankheit, wie der erste Fallbericht aus Indien zeigt, keinen Zusammenhang mit immungeschwächten HIV-Patienten⁴. Wie oben beschrieben, kann die mögliche Infektion beim Menschen mit einem High-Density-Lipoprotein-Mangel mit abnormaler Funktion des lytischen Trypanosomenfaktors zusammenhängen, bei dem es sich um eine seltene autosomal-rezessive genetische Erkrankung, nämlich die Tanger-Krankheit⁴, handelt. Im Jahr 2016 wurde bei einem vietnamesischen Patienten festgestellt, dass er zwei Wildtyp-APOL1-Allele und eine APOL1-Serumkonzentration im Normbereich besaß. Die Theorie des APOL-1-Mangels gilt jedoch nicht mehr als gültig¹². Ein möglicher Mechanismus der Trypanosomeninfektion ist daher der direkte Kontakt einer Wunde mit infiziertem Tierblut während der beruflichen Tierhaltung ^4,12. Die mikroskopische Untersuchung zeigt, dass die Morphologie von T. evansi eine monomorphe Form des Trypomastigoten ist, die ein vorherrschendes, langes, schlankes, geißelndes und sich teilendes Trypanosom enthält, das ihrer verwandten Art von T. brucei^{ähnelt 1,12,13}. Der Kern befindet sich in der zentralen Position mit einem sichtbaren kleinen Kinetoplast in der posterioren Position. Eine frühere Studie deutete darauf hin, dass der Parasit in zwei vergleichbaren Formen existieren kann, die als klassische und verkürzte Form bekannt sind. Es bleibt jedoch notwendig, ihre jeweiligen pathogenen Wirkungen auf Wirte^{zu bestätigen 20}. Der Verlauf der Symptome variiert und reicht von intermittierendem Fieber in Verbindung mit Schüttelfrost und Schwitzen. Suramin ist glücklicherweise eine erfolgreiche Erstlinientherapie für die frühe menschliche afrikanische Trypanosomiasis ohne Invasion des zentralen Nervensystems (ZNS) und heilt Patienten in Indien und Vietnam ^4,12,21.

Abgesehen von der klinischen Symptomuntersuchung gibt es mehrere diagnostische Methoden für T. evansi-Parasiten, darunter parasitologische mikroskopische Beobachtungen ^4,9,12, serologische ^4,8,9,10,12 und molekularbiologische Tests ^4,12. Mit Giemsa gefärbte Dünnblutfilme werden häufig verwendet, um den vorhandenen Parasiten unter mikroskopischer Untersuchung sichtbar zu machen, was routinemäßig und häufig verwendet wird²². Das Verfahren scheint jedoch machbar zu sein; Nichtsdestotrotz ist es zeit- und arbeitsintensiv, hat eine Inter-Rater-Bewertungsvariabilität, ist nur für eine akute Phase empfindlich und erfordert einen persönlichen Praktikanten²³. Sowohl die Molekularbiologie als auch die serologischen Tests erforderten hochqualifiziertes Personal, um mehrere Prozesse der Probenvorbereitung durchzuführen, einschließlich der Extraktion und Reinigung der Proben vor der Untersuchung mit teuren Geräten, die schwer zu standardisieren sind, dem Risiko einer Kontamination mit extraparasitären Materialien und Diskrepanzen in den Ergebnissen²⁴. Auf der Grundlage der oben beschriebenen Logik ist eine schnelle und frühzeitige Screening-Technologie erforderlich, um die Feldüberwachungsstudie zu unterstützen und sicherzustellen, dass das Erhebungsergebnis rechtzeitig gemeldet wird, um die Hotspot-Zone für eine weitere Kontrolle der Krankheitsübertragung zu ermitteln ^1,8. Computergestützte Geräte (CAD) wurden als innovative Technologie für medizinische Bereiche, einschließlich histopathologischer und zytopathologischer Aufgaben, vorgeschlagen²⁵. Das oben erwähnte CAD wurde mit hoher Geschwindigkeit durchgeführt und mit Hilfe von Mustererkennung, also künstlicher Intelligenz (KI), berechnet. Die KI-Methode wird durch die Verwendung von Convolutional Neural Network-Algorithmen erreicht, die für den Umgang mit einer großen Anzahl von Datensätzen verwendet werden können, insbesondere ein überwachter Lernansatz, der ein gut trainiertes Modell beim Datenverbrauch trainiert.

Im Allgemeinen ist KI die Fähigkeit von Computern, Aufgaben zu lösen, die Expertenintelligenz erfordern, wie z. B. die Kennzeichnung von Daten. Maschinelles Lernen (ML), ein Teilgebiet der KI, wird als Computersystem mit zwei verschiedenen Prozessen dargestellt, die sich aus der Merkmalsextraktion und der Mustererkennung zusammensetzen. Deep Learning (DL) oder fortschrittliche ML-Algorithmen beziehen sich auf die Entwicklung computergestützter Programme und Geräte, die menschenähnliche Leistungen mit einer Genauigkeit vergleichen, die größer und gleich ist als die von menschlichen Fachleuten²⁶. Gegenwärtig wird die Rolle von DL im medizinischen und veterinärmedizinischen Bereich vielversprechend ausgeweitet und revolutioniert die Prävention übertragbarer Krankheiten mit dem Ziel, sie in jüngster Zeit zu prägnieren und auf das individuelle Gesundheitspersonal auszurichten^22,27. Die potenziellen DL-Anwendungen sind mit Qualitätssiegeln und einer großen Anzahl erweiterter Datensätze grenzenlos, so dass Spezialisten die Projektaufgabe bewältigen können. Insbesondere ein Fortschritt im digitalen Bild zusammen mit der computergestützten Analyse verbesserte die automatische Diagnose und das Screening in fünf Kategorien der berichteten Pathologie; einschließlich statischer, dynamischer, robotergestützter, ganzer Objektträgerbildgebung und hybrider Verfahren²⁸. Es ist zu berücksichtigen, dass die Integration von DL-Algorithmus-Ansätzen und digitalen Bilddaten lokale Mitarbeiter dazu ermutigen könnte, die Technologie in ihrer täglichen Praxis zu nutzen.

Zuvor war die Erhöhung der Vorhersagegenauigkeit durch die Verwendung eines Hybridmodells nachgewiesen^{worden 27}. Um den Trypanosomenparasiten in mikroskopischen Bildern zu identifizieren, werden in dieser Arbeit zwei Hybridmodelle vorgestellt, die die Algorithmen YOLOv4-tiny (Objekterkennung) und Densenet201 (Objektklassifizierung) enthalten. Unter mehreren Detektionsmodellen zeigte YOLOv4-tiny mit einem CSPDarknet53-Backbone eine hohe Leistung als Vorhersageergebnis in Bezug auf Lokalisierung und Klassifizierung²⁹. Da der Echtzeitdetektor die optimale Balance zwischen der Auflösung des Eingangsnetzwerks, der Menge der Faltungsschicht, dem Gesamtparameter und der Anzahl der Schichtausgänge geändert hat, hat er im Vergleich zu früheren Versionen die Priorisierung schneller Betriebsgeschwindigkeiten und die Optimierung für parallele Berechnungen verbessert. Dense Convolutional Network (DenseNet) ist ein weiteres beliebtes Modell, das modernste Ergebnisse über konkurrierende Datensätze hinweg erzielt. DenseNet201 ergab einen ähnlichen Validierungsfehler, der mit dem von ResNet101 vergleichbar ist. DenseNet201 hat jedoch weniger als 20 Millionen Parameter, was weniger ist als die mehr als 40 Millionen Parameter von ResNet101³⁰. Daher könnte das DenseNet-Modell die Vorhersagegenauigkeit mit einer zunehmenden Anzahl von Parametern verbessern, ohne dass es Anzeichen für eine Überanpassung gibt. Hier nutzt ein Programm der künstlichen Intelligenz (KI) einen hybriden Deep-Learning-Algorithmus mit tiefen Erkennungs- und Klassifikations-Backbones neuronaler Netze auf der hauseigenen CiRA CORE-Plattform. Das entwickelte Programm ist in der Lage, die protozoischen Trypanosomenarten, nämlich Trypanosoma cruzi, T. brucei und T. evansi, anhand von mikroskopischen Aufnahmen zu identifizieren und zu klassifizieren. Diese Technologie hat das Potenzial, die Überwachung und Kontrolle von Krankheiten zu revolutionieren, indem sie eine schnelle, automatisierte und genaue Screening-Methode bietet. Es könnte den lokalen Mitarbeitern helfen, fundiertere Entscheidungen über Strategien zur Blockierung der Übertragung bei parasitären Protozoenerkrankungen zu treffen.

Protocol

Die archivierten Blutausstriche und das Projektdesign wurden vom Institutionellen Ausschuss für Biosicherheit, dem Institutionellen Ausschuss für Tierpflege und -verwendung der Fakultät für Veterinärwissenschaften der Chulalongkorn-Universität (IBC Nr. 2031033 und IACUC Nr. 1931027) und dem Ethikausschuss für Humanforschung des King Mongkut’s Institute of Technology Ladkrabang (EC-KMITL_66_014) genehmigt. 1. Vorbereitung der Rohbilder Die Vorbereitung des Bild…

Representative Results

In dieser Studie wurden hybride Deep-Learning-Algorithmen vorgeschlagen, um die Positivität einer Blutprobe mit einer Trypanosomenparasiteninfektion automatisch vorherzusagen. Archivierte, Giemsa-gefärbte Blutausstriche wurden sortiert, um die parasitierten und nicht-parasitären Blutfilme zu lokalisieren und zu klassifizieren, indem der Objekterkennungsalgorithmus verwendet wurde, der auf einem neuronalen Netz des Darknet-Backbones basiert. Innerhalb eines rechteckigen Kastenvorhersageergebnisses, das mit dem vorherig…

Discussion

Die mikroskopische Beobachtung einer Infektion mit Trypanosoma protozoa wird frühzeitig und häufig eingesetzt, insbesondere bei der Überwachung in abgelegenen Gebieten, in denen es an qualifizierten Technikern mangelt und arbeitsintensive und zeitaufwändige Prozesse die rechtzeitige Meldung an die Gesundheitsorganisation behindern. Obwohl molekularbiologische Techniken wie Immunologie und Polymerase-Kettenreaktion (PCR) als hochempfindliche Methoden zur Unterstützung der Wirksamkeit von Laborbefunden zugelassen wurd…

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