[论文解读] Fully-automated patient-level malaria assessment on field-prepared thin blood film microscopy images, including Supplementary Information

Charles B. Delahunt, Mayoore S. Jaiswal+23 more|arXiv (Cornell University)|Aug 5, 2019

Digital Imaging for Blood Diseases被引用 6

一句话总结

本论文提出了一套完全自动化的、基于机器学习的系统，用于在野外制备的薄血涂片显微图像上进行患者级别的疟疾评估，采用卷积神经网络（CNNs）和梯度提升树检测环状体和晚期阶段寄生虫，实现了高敏感性和特异性，并具备适合药物耐药性监测和临床应用的定量准确性。

ABSTRACT

Malaria is a life-threatening disease affecting millions. Microscopy-based assessment of thin blood films is a standard method to (i) determine malaria species and (ii) quantitate high-parasitemia infections. Full automation of malaria microscopy by machine learning (ML) is a challenging task because field-prepared slides vary widely in quality and presentation, and artifacts often heavily outnumber relatively rare parasites. In this work, we describe a complete, fully-automated framework for thin film malaria analysis that applies ML methods, including convolutional neural nets (CNNs), trained on a large and diverse dataset of field-prepared thin blood films. Quantitation and species identification results are close to sufficiently accurate for the concrete needs of drug resistance monitoring and clinical use-cases on field-prepared samples. We focus our methods and our performance metrics on the field use-case requirements. We discuss key issues and important metrics for the application of ML methods to malaria microscopy.

研究动机与目标

• 解决野外制备的薄血涂片显微图像中存在高变异性和低质量的问题，这些问题会妨碍可靠的人工和自动化诊断。
• 克服现有自动化疟疾检测系统存在的局限，包括数据集规模小、指标不完整以及以目标为单位而非以患者为单位的评估方式。
• 开发一个完整的端到端框架，用于基于薄血涂片的患者级别疟疾评估，支持寄生虫定量和种类识别。
• 通过利用大规模野外数据和以患者为单位的性能指标，提高诊断的准确性和可重复性，减少在资源有限地区对专家显微镜技师的依赖。

提出的方法

• 训练两个独立的深度学习分支：一个用于环状体寄生虫（采用受Inception启发的多尺度卷积核），另一个用于晚期阶段寄生虫（采用带有步幅卷积的全卷积架构）。
• 实施多阶段流程，包括视野（FoV）质量控制、红细胞（RBC）计数、目标检测、干扰物过滤以及基于CNN的分类。
• 应用梯度提升树以优化预测结果并支持种类识别，通过分支仲裁模块整合两个分支的结果。
• 采用以患者为单位的评估框架，将漏检的寄生虫视为验证中的干扰物，从而在标注不完善的情况下仍能实现稳健的敏感性计算。
• 使用相对标准误差公式量化定量中的不可减少的泊松误差：$ \text{relErr}(P,N) = \frac{\sigma(B(p,N))}{\mu(B(p,N))} $，其中 $ p = P / 5\times10^6 $ 且 $ N $ 为检查的红细胞数量。
• 生成决策支持报告，包含两个分支中得分最高的区域的马赛克缩略图，以帮助资源有限地区的显微镜技师进行判断。

实验结果

研究问题

• RQ1 在图像质量波动大且伪影普遍存在的条件下，完全自动化的系统是否能够实现对野外制备薄血涂片中患者级别的寄生虫定量和种类识别的准确性？
• RQ2 在高寄生虫负荷水平下，自动化系统的定量精度与人工显微镜检查相比如何？
• RQ3 机器学习模型在检查比人类显微镜技师更大的血样体积方面，能在多大程度上减少寄生虫计数中的泊松变异性？
• RQ4 在真实临床和监测环境中，评估自动化疟疾显微镜系统最合适的指标是什么？
• RQ5 结合CNN与梯度提升树的混合模型是否能提高复杂、含伪影的野外图像中的检测准确率并减少假阳性？

主要发现

• 该系统在检测环状体寄生虫和晚期阶段寄生虫方面均表现出高敏感性和特异性，性能适合临床和药物耐药性监测应用。
• 由于每名患者可检查10,000至20,000个红细胞，定量准确性显著优于人工显微镜检查，相比人工检查约1,000个红细胞，显著降低了泊松变异性。
• 在16k–80k/μL寄生虫负荷范围内，自动化系统的相对标准误差显著更低，因为机器检查的血样体积大于显微镜技师。
• 采用以患者为单位的指标（包括单位血量的敏感性和假阳性率）确保评估与真实临床需求一致，避免了基于目标的报告带来的偏差。
• 系统输出的报告（包括高分区域的马赛克缩略图）为资源有限地区的显微镜技师提供了可操作的视觉指导。
• 该框架能有效处理具有不同红细胞形态、聚集现象和伪影的野外制备载玻片，在真实世界条件下表现出强鲁棒性。