Применение сверточных нейронных сетей для автоматизированного классифицирования стадий жизненного цикла Plasmodium falciparum в микроскопии мазков крови

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.

1. Liu Q, Jing WZh, Kang LYu, Liu J, Liu M. Trends of the global, regional and national incidence of malaria in 204 countries from 1990 to 2019 and implications for malaria prevention. Journal of Travel Medicine. 2021; 28(5): taab046. doi: 10.1093/jtm/taab046

2. Sergiev VP, Baranova AM, Kozhevnikova GM, Tokmalayev AK, Chernyshov DV, Chentsov VB, et al. Problems of clinical diagnosis and treatment of P. falciparum malaria in Russian Federation. Terapevticheskii arkhiv. 2018; 90(11): 4–8. doi: 10.26442/terarkh201890114-8

3. Haldar K, Mohandas N. Malaria, erythrocytic infection, and anemia. Hematology. American Society of Hematology. Education Program. 2009: 87–93. doi: 10.1182/asheducation-2009.1.87

4. Shahin OR, Alshammari HH, Alabdali RN, et al. Automated multi-model framework for malaria detection using deep learning and feature fusion. Sci Rep. 2025; 15, 25672. doi: 10.1038/s41598-025-04784-w

5. Fu X, Lin R, Du W, et al. Explainable hybrid transformer for multi-classification of lung disease using chest X-rays. Sci Rep. 2025; 15(1): 6650. doi: 10.1038/s41598-025- 90607-x

6. Saidani O, Umer M, Alturki N, et al. White blood cells classification using multi-fold pre-processing and optimized CNN model. Sci Rep. 2024; 14: 3570. doi: 10.1038/s41598-024-52880-0

7. Mujahid M, Rustam F, Shafique R, et al. Efficient deep learning-based approach for malaria detection using red blood cell smears. Sci Rep. 2024; 14(1): 13249. doi: 10.1038/s41598-024-63831-0

8. Li S, Du Z, Meng X, Zhang Y. Multi-stage malaria parasite recognition by deep learning. Giga Science. 2021; 10(6): giab040. doi: 10.1093/gigascience/giab040

9. Kumar A, Raghunathan A, Jones R, Ma T, Liang P. Fine-tuning can distort pretrained features and underperform out-of-distribution. International Conference on Learning Representations (ICLR). 2022. doi: 10.48550/arXiv.2202.10054

10. Tan D, Liang X. Multiclass malaria parasite recognition based on transformer models and a generative adversarial network. Sci Rep. 2023; 13(1): 17136. doi: 10.1038/s41598-023-44297-y

11. Tekle E, Dese K, Girma S, et al. DeepLeish: a deep learning based support system for the detection of Leishmaniasis parasite from Giemsa-stained microscope images. BMC Med Imaging. 2024; 24(1): 152. doi: 10.1186/s12880-024-01333-1

12. Mura DA, Zedda L, Loddo A, Di Ruberto C. YOLO-Tryppa: A Novel YOLO-Based Approach for Rapid and Accurate Detection of Small Trypanosoma Parasites. J. Imaging. 2025; 11(4): 117. doi: 10.3390/jimaging11040117

13. Lin L, Dacal E, Díez N, et al. Edge Artificial Intelligence (AI) for real-time automatic quantification of filariasis in mobile microscopy. PLoS Negl Trop Dis. 2024; 18(4): e0012117. doi: 10.1371/journal.pntd.0012117