一种基于混合机器学习方法的自动化疟疾诊断技术，用于分析薄血涂片图像

摘要

背景

疟疾仍然是一个重大的全球健康挑战，需要快速、成本效益高且准确的诊断方法。本研究提出了一种基于混合深度学习的疟疾诊断框架，该框架使用来自印度医学研究委员会（ICMR）下属的国家级疟疾研究机构（NIMR）提供的薄血涂片细胞图像。

方法

共对15,938张薄血涂片显微图像进行了预处理，以增强细胞结构的可见性并抑制背景噪声。分割过程采用了Otsu阈值法，该方法能够自动确定最佳阈值，从而最大化细胞对比度并提高特征提取效果。处理后的图像被用于训练专门为自动细胞分类设计的Hybrid Inception-v3卷积神经网络（CNN）。为了验证所提出CNN的鲁棒性，将其与传统诊断技术及其他最先进的机器学习模型进行了比较和统计分析。

结果

所提出的混合CNN模型在训练阶段的准确率为98.9%，灵敏度为97.3%，特异性为99.9%，同时具有较高的F1分数和曲线下面积（AUC）值。这些结果是基于ICMR-NIMR显微图像数据集获得的，证明了我们方法的鲁棒性和泛化能力。该模型在性能上始终优于其他评估方法，包括最先进的机器学习分类器，并且其表现与传统的显微镜检查方法相当或更优。

结论

这种混合深度学习框架在利用显微图像进行疟疾诊断方面表现出良好的性能，表明有可能减少对专业显微镜操作人员的依赖。这些发现突显了该方法在提高诊断精度和加强疟疾控制工作方面的潜力，尤其是在资源有限的环境中。

图形摘要

此图像的替代文本可能是由AI生成的。