Мацаева Ольга Дмитриевна – стажер-исследователь кафедры биологии и общей генетики Института цифрового биодизайна и искусственного интеллекта в медицине
119048, Москва, ул. Трубецкая, д. 8, стр. 2
Olga D. Matsaeva – research intern of the Department of Biology and General Genetics, Institute of Digital Biodesign and Artificial Intelligence in Medicine
119048, Moscow, Trubetskaya str., 8, bld. 2
Гринев Александр Борисович – кандидат биологических наук, доцент кафедры биологии и общей генетики Института цифрового биодизайна и искусственного интеллекта в медицине
119048, Москва, ул. Трубецкая, д. 8, стр. 2
Alexander B. Grinev – Cand. Sc. (Biol.), associate professor of the Department of Biology and General Genetics, Institute of Digital Biodesign and Artificial Intelligence in Medicine
119048, Moscow, Trubetskaya str., 8, bld. 2
Обоснование. Малярия является глобальной проблемой мирового здравоохранения. Традиционная микроскопия крови, являющаяся золотым стандартом диагностики, сопряжена с высокой трудоемкостью, кадровым дефицитом в эндемичных регионах и субъективностью оценки. Автоматизация не только детекции, но и определения стадии развития возбудителя критически важна для назначения стадийно-специфической терапии.
Цель исследования. Разработка и оценка эффективности модели глубокого компьютерного зрения для классификации четырех ключевых стадий эритроцитарного цикла Plasmodium falciparum на основе микрофотографий.
Методы. В качестве основы использовалась сверточная нейронная сеть архитектуры ResNet-18. Обучение проводилось методом переноса (transfer learning) с использованием базы данных PfMorphoBank, собранной авторами. Изображения были разделены на четыре целевых класса: молодые трофозоиты, зрелые трофозоиты, шизонты и гаметоциты. Качество классификации оценивали на валидационной и отложенной тестовой выборках по Accuracy, macroPrecision, macro-Recall и macro-F1.
Результаты. На отложенной тестовой выборке дообученная ResNet-18 показала следующие результаты: Accuracy 80,83 %; macro-Precision составила 0,812, macro-Recall – 0,808, macro-F1 – 0,806. Анализ ошибок показал, что модель лучше распознает зрелые трофозоиты и испытывает наибольшие трудности при классификации гаметоцитов и морфологически близких поздних форм.
Заключение. Использование глубоких нейронных сетей демонстрирует высокий потенциал в решении задачи дифференциальной диагностики стадий малярийного плазмодия. Модель показала приемлемые метрики качества, доказывая принципиальную возможность создания автоматизированных систем.
Background. Malaria is a global public health problem. Traditional blood microscopy, the gold standard of diagnosis, is associated with high labor burden, personnel shortages in endemic regions, and subjective assessment. Automation of not only detection but also determination of the pathogen’s developmental stage is critically important for prescribing stage-specific therapy.
Aim. To develop and evaluate the effectiveness of a deep computer vision model for classifying four key stages of the erythrocytic cycle of Plasmodium falciparum based on microphotographs.
Materials and methods. A convolutional neural network with the ResNet-18 architecture was used as the basis. Training was conducted using transfer learning on the PfMorphoBank database, assembled by the authors. The images were divided into four target classes: young trophozoites, mature trophozoites, schizonts, and gametocytes. Classification quality was assessed on validation and held-out test sets using accuracy, macro-precision, macro-recall, and macro-F1.
Results. On the held-out test set, the fine-tuned ResNet-18 achieved 80.83% accuracy; macro-precision was 0.812, macro-recall was 0.808, and macro-F1 was 0.806. Error analysis showed better recognition of mature trophozoites and the greatest difficulty with gametocytes and morphologically similar late-stage forms.
Conclusion. The use of deep neural networks demonstrates high potential in solving the problem of differential diagnosis of malaria parasite stages. The model showed acceptable quality metrics, proving the fundamental feasibility of creating automated prompting systems.
The authors declare that there are no conflicts of interest present.