Automated Detection of Soil-Transmitted Helminths and Schistosomiasis with Mobile Deployment of a Quantized MobileNetV2 Model from microscopic images

In vielen Teilen der Welt beruht die Diagnose von Parasiteninfektionen auf einer Methode, die sich über Jahrzehnte hinweg kaum verändert hat: Ein Techniker blickt durch ein Mikroskop auf einen dünnen Stuhlabstrich, um winzige Eier zu finden, die von Würmern abgelegt wurden. Dieser Prozess, bekannt als Kato-Katz-Technik, ist die Standardmethode zur Identifizierung von bodenübertragenen Helminthen und Schistosomiasis – zwei Gruppen von Parasiten, die hunderte Millionen Menschen infizieren, insbesondere in ressourcenarmen Gebieten. Dieser manuelle Ansatz ist jedoch langsam, arbeitsintensiv und hängt vollständig vom Geschick und dem Sehvermögen der Person ab, die durch die Linse blickt. In entlegenen Gebieten, in denen geschulte Experten rar und Internetverbindungen unzuverlässig sind, kann die Verzögerung bei der Entdeckung dieser Infektionen den Unterschied zwischen einer effektiven Behandlung und der Ausbreitung der Krankheit bedeuten. Die Herausforderung für die moderne Medizin besteht nicht nur darin, einen besseren Weg zu finden, diese Parasiten zu sehen, sondern ein Werkzeug zu schaffen, das tragbar, erschwinglich und in der Lage ist, ohne Verbindung zu einem leistungsstarken Computer oder der Cloud zu funktionieren.

Um dies zu adressieren, hat ein Team von Forschern von Universitäten aus Äthiopien ein System entwickelt, das ein Standard-Android-Smartphone in einen diagnostischen Assistenten verwandelt. Sie konzentrierten sich darauf, ein Softwaremodell zu entwickeln, das das mikroskopische Bild eines Parasiteneis betrachten und dem Benutzer sofort mitteilen kann, welche Art von Infektion vorliegt. Das Team trainierte ein digitales Gehirn, speziell eine Art künstliche Intelligenz, die als faltendes neuronales Netzwerk (Convolutional Neural Network) bekannt ist, unter Verwendung einer Sammlung von 1.490 Bildern, die von echten Laborslides aufgenommen wurden. Diese Bilder repräsentierten fünf verschiedene Kategorien: Eier von drei Arten von Rundwürmern, Eier einer spezifischen Art von Saugwürmern und Proben, die keine Infektion zeigten. Das Ziel war es, den Computer darauf zu trainieren, die einzigartigen Formen und Texturen dieser Eier zu erkennen, damit er dieselbe Identifizierung wie ein menschlicher Experte vornehmen kann, jedoch in einem Bruchteil der Zeit.

Die Forscher wählten eine spezifische Architektur für ihr digitales Gehirn namens MobileNetV2, die darauf ausgelegt ist, leichtgewichtig und effizient zu sein. Im Gegensatz zu den massiven Modellen, die Supercomputer benötigen, um zu laufen, ist diese Version dafür gebaut, auf dem begrenzten Speicher und der Rechenleistung eines Mobiltelefons zu operieren. Nachdem das Modell auf einem leistungsstarken Computer mit einer NVIDIA Tesla T4 GPU trainiert worden war, standen das Team vor einer kritischen Hürde: Das Modell war immer noch zu groß, um reibungslos auf den günstigen Telefonen zu laufen, die in ländlichen Kliniken verwendet werden. Um dies zu lösen, wandten sie eine Technik namens Post-Training-Quantisierung an. Dieser Prozess ist vergleichbar mit dem Komprimieren eines hochauflösenden Fotos in eine kleinere Dateigröße, ohne die Details zu verlieren, die zur Erkennung des Motivs notwendig sind. Durch die Umwandlung der internen Berechnungen des Modells von komplexen, hochpräzisen Zahlen in einfachere, niederpräzisere Ganzzahlen reduzierten sie die Dateigröße von etwa 26 Megabyte auf nur 2,8 Megabyte. Diese Komprimierung ermöglichte es dem Modell, problemlos auf den Speicher eines Telefons zu passen, während es seine Fähigkeit behielt, die Parasiten präzise zu identifizieren.

Nachdem das Modell komprimiert worden war, integrierte das Team es in eine mobile Anwendung, die mit einem plattformübergreifenden Entwicklungswerkzeug erstellt wurde, was es dem Programm ermöglichte, auf Android-Geräten ohne Internetverbindung zu laufen. Sie testeten dieses System auf zwei verschiedenen Telefonen: einem Mittelklasse-Samsung A15 mit 4 Gigabyte Arbeitsspeicher und einem budgetfreundlicheren Tecno Spark 4 mit nur 2 Gigabyte. Die Ergebnisse zeigten, dass das System auf beiden Geräten effektiv funktionierte. Auf dem Samsung konnte das Telefon ein Bild analysieren und eine Diagnose in etwa 68 Millisekunden zurückgeben, was schnell genug ist, um sich wie ein echtes Gespräch anzufühlen. Auf dem langsameren Tecno-Gerät dauerte der Prozess etwa 112 Millisekunden, was immer noch schnell genug für den praktischen Einsatz in einer belebten Klinik ist. Die Anwendung identifizierte die Parasiten erfolgreich vollständig auf dem Gerät, was bedeutete, dass eine Gesundheitshelferin in einem Dorf ohne Strom oder Internet ein Foto eines Slides aufnehmen und eine sofortige, automatisierte Bewertung erhalten konnte.

In Bezug auf die Genauigkeit schnitt das System flächendeckend gut ab und identifizierte die Art der Infektion in etwa 89 Prozent der Testfälle korrekt. Das Modell war besonders gut darin, die Eier des Schistosomiasis-Parasiten zu entdecken, wobei es eine nahezu perfekte Erfolgsquote für diese spezifische Klasse erreichte. Es schnitt auch bei den anderen Wurmarten stark ab, verwechselte jedoch gelegentlich die Eier eines Rundwurms mit einem anderen – eine häufige Schwierigkeit selbst für menschliche Experten, wenn die visuellen Merkmale sehr ähnlich sind. Die Forscher merkten an, dass das System zwar hocheffektiv ist, aber keinen Ersatz für ein qualifiziertes Laborpersonal darstellt. Stattdessen dient es als leistungsstarkes Screening-Werkzeug, das helfen kann, Fälle zu priorisieren und den Diagnoseprozess zu beschleunigen, in Gebieten, in denen Experten rar gesät sind.

Die Studie kommt zu dem Schluss, dass dieser Ansatz einen praktischen Weg bietet, um die Gesundheitsversorgung in ressourcenarmen Umgebungen zu verbessern. Durch die Kombination eines leichtgewichtigen Modells künstlicher Intelligenz mit einer einfachen mobilen Anwendung haben die Forscher demonstriert, dass fortschrittliche diagnostische Fähigkeiten direkt zum Ort der Versorgung gebracht werden können. Das System erfordert keine teuren Server, keinen ständigen Internetzugang oder hochspezialisierte Hardware. Es benötigt lediglich ein Smartphone und ein Mikroskop, wodurch ein Gerät, das in vielen Taschen zu finden ist, in ein Werkzeug verwandelt wird, das helfen kann, parasitäre Krankheiten effizienter zu erkennen und zu behandeln. Während die Forscher anerkennen, dass das Modell mit mehr Daten und Tests in verschiedenen Regionen verbessert werden könnte, beweisen die aktuellen Ergebnisse, dass ein Offline-, automatisches Diagnosesystem nicht nur eine theoretische Möglichkeit, sondern eine funktionierende Realität ist, die heute bereits eingesetzt werden kann.