במחקר שפורסם לאחרונה ב דוחות מדעייםצוות חוקרים הציע להשתמש בכלי בינה מלאכותית (AI) המשתמש בלמידה עמוקה כדי לבחון תמונות של תאי דם אדומים במריחות דם לזיהוי בזמן של מלריה.
לימוד: גישה יעילה מבוססת למידה עמוקה לגילוי מלריה באמצעות מריחות של תאי דם אדומים. קרדיט תמונה: cones/Shutterstock.com
רקע כללי
דו"ח ארגון הבריאות העולמי מ-2015 מראה שבאזורים סובטרופיים וטרופיים בעולם, הטפיל של הסוג פלסמודיום הגורם למלריה היה אחראי ליותר מ-400,000 מקרי מוות.
מלריה מתגלה בדרך כלל באמצעות ניתוח מיקרוסקופי של שקופיות מריחת דם, החושפות אריתרוציטים נגועים או תאי דם אדומים.
בהתחשב בכך שבאזורים באפריקה, בדרום מזרח אסיה ובים התיכון יש למעלה מ-70% ממקרי המלריה, תהליך גילוי המלריה באמצעות מריחות דם הופך לעמלני מאוד ומעלה משמעותית את עומס העבודה של הפתולוג.
כלים מבוססי בינה מלאכותית הכוללים למידת מכונה וגישות למידה עמוקה נחקרו בהרחבה במחקרים אחרונים עבור סקר אוטומטי ויישומים באבחונים קליניים.
עם זאת, גישות בינה מלאכותית מסורתיות כמו רשתות עצביות התמודדו עם אתגרים באיתור וזיהוי טפילי מלריה במריחות דם בשל הגודל הקטן והפער המשמעותי בתאי הדם.
יתר על כן, שיטות אלה עדיין דורשות פתולוגים מוסמכים לחילוץ וקטור תכונה, מה שמקשה על אוטומציה מלאה של תהליך ההקרנה והזיהוי.
לגבי המחקר
במחקר הנוכחי הציעו החוקרים כלי AI מבוסס למידה עמוקה לזיהוי מלריה מתמונות של תאי דם אדומים בצורה מדויקת. הם גם השוו את המודל המוצע של EfficientNet-B2 מול מודלים אחרים של למידה עמוקה והשתמשו באימות צולב פי עשרה לאימות יעילות.
במחקר נעשה שימוש במערך נתונים המורכב מ-27,558 תמונות של תאי דם, שמחציתם היו אלה של אנשים לא נגועים ולחצי השני היו תאים מטופילים. פתולוגים מומחים כתבו ידנית את התמונות.
שלב העיבוד המקדים כלל שינוי גודל התמונות לסטנדרטיזציה של גודל התמונות מכיוון שהמודל מחייב שגודל הקלט יהיה קבוע או שווה.
לאחר מכן התמונות פוצלו למערכי נתונים של הדרכה ובדיקה. החוקרים השתמשו ב-80% מהתמונות כמערך הנתונים לאימון, בעוד שהשאר שימשו לבדיקת הביצועים והיעילות של המודל.
מודל הלמידה העמוקה EfficientNet-B2 בו נעשה שימוש במחקר זה היה מודל Convolutional Neural Networks (CNN), אשר הופעל רבות לבעיות הקשורות לסיווג תמונות.
המודל מספק תוצאות סיווג מדויקות על ידי שינוי קנה מידה יעיל של התמונות תוך שימוש בפיתולים הניתנים להפרדה מבחינה עומק. יתרון נוסף הוא הגודל הקטן של המודל, הדורש משאבי מחשוב נמוכים יותר.
החוקרים השתמשו בנורמליזציה של אצווה כדי להגביר את הדיוק של המודל. תהליך זה מחשב את הממוצע ואת סטיית התקן של כל תכונה באמצעות מערך נתונים קטן יותר, המשמש לאחר מכן לסטנדרטיזציה של הקלט.
מערכת של סיווגים לתמונות תאי דם שהתקבלו ממומחים הופעלה כדי להכשיר את מודל הלמידה העמוקה לזהות תסמינים של מלריה.
המחקר גם השווה את הביצועים של מודלים רבים שהוכשרו מראש כמו CNN, Visual Geometry Group (VGG16), Inception, DenseNet121, MobileNet ו- ResNet, בהשוואה למודל הלמידה העמוקה שהוצע במחקר זה.
חלק מהמדדים שלאורכם הוערכו הביצועים של מודלים אלה כללו שיעורים חיוביים שגויים, שליליים כוזבים, חיוביים אמיתיים ושליליים אמיתיים, כמו גם דיוק, דיוק וזכירה.
תוצאות
המחקר הראה שלמודל המוצע במחקר הנוכחי היה דיוק גבוה יותר, שטח מתחת לעקומה (AUC), דיוק וערך F1, שהוא הממוצע של דיוק וזיכרונות, בהשוואה לדגמים האחרים שהוכשרו מראש. בנוסף, הפסד הבדיקה עבור הדגם המוצע היה נמוך מזה של הדגמים האחרים.
לאחר ש-80% ממערך הנתונים שימשו לאימון המודל, בדיקת המודל על 20% הנותרים סיפקה ציון דיוק של 0.9757, שהיה גבוה יותר מציון הדיוק שהושג כאשר נעשה שימוש ב-90% ממערך הנתונים לאימון.
יתרה מזאת, האימות המוצלב פי עשרה הצביע על כך שזיהוי המלריה על ידי המודל המוצע היה מדויק ביותר, עם ציוני היזכרות ו-AUC גבוהים ואובדן בדיקות נמוך במיוחד.
המודל הציג דיוק של 98.59% באיתור תאים המכילים טפילים, בעוד שזיהוי תאים לא נגועים נמצא מדויק ב-100% מתוצאות מטריצת הבלבול.
מסקנות
בסך הכל, המחקר הראה שהמודל המוצע EfficientNet-B2 הציג דיוק ודיוק גבוהים בזיהוי תסמינים של מלריה מתמונות של תאי דם שהתקבלו ממריחות דם. המודל עלה על שאר המודלים הקיימים מבוססי למידה עמוקה בכל פרמטרי הביצועים.
החוקרים מאמינים שניתן להשתמש במודל זה כדי לשפר את הדיוק של זיהוי מלריה מדגימות מריחת דם ולהפחית משמעותית את עומס העבודה של פתולוגים.
