Automated Classification and Quantification of Fungal Spores in Aerobiological Sampling Using Deep Learning

Problematica

Il monitoraggio routinario dell'aerobiologia delle spore fungine è fondamentale per la sorveglianza ambientale e la salute pubblica, in particolare data la correlazione tra le spore trasportate dall'aria e le condizioni respiratorie come l'asma e la rinite allergica. Tuttavia, gli attuali metodi di valutazione si basano sul conteggio microscopico manuale, un processo che richiede molto tempo, è soggetto a variabilità inter-osservatore e comporta ritardi nella disponibilità dei dati. Sebbene i precedenti tentativi di automazione abbiano utilizzato la computer vision classica o si siano concentrati sul rilevamento di un singolo genere (ad es. Alternaria), tali approcci spesso faticano con la sovrapposizione delle particelle, richiedono l'ingegneria manuale delle caratteristiche e mancano della robustezza necessaria per gestire l'elevata diversità tassonomica presente nei campioni atmosferici reali. Esiste una netta necessità di un framework di deep learning scalabile, capace di automatizzare il rilevamento e la quantificazione attraverso diversi taxa fungini.

Metodologia

Lo studio ha sviluppato e validato un workflow basato sul deep learning per il rilevamento e il conteggio automatico di otto generi fungini (Cladosporium, Coprinus, Curvularia, Didymella, Ganoderma, Leptosphaeria, Nigrospora e Xylaria) utilizzando immagini microscopiche da campionamento volumetrico di tipo Hirst a Santa Marta, Colombia.

1. Costruzione e Preelaborazione del Dataset:

• Fonte: 325 immagini originali (ingrandimento 400×) sono state suddivise in 1.281 quadranti (1296 × 972 pixel).
• Annotazione: Effettuata tramite Roboflow, con bounding box assegnati a 2.252 istanze di spore attraverso gli otto classi.
• Mitigazione dello Sbilanciamento: Il dataset originale presentava uno sbilanciamento di classe (ad es. Coprinus al 20,1% vs Nigrospora al 9,1%). Per affrontare questo problema, gli autori hanno implementato:
  • Suddivisione Stratificata: Le immagini sono state suddivise nuovamente in 70% training, 20% validazione e 10% test in base al tipo di spora predominante.
  • Augmentation Offline: Campioni sintetici sono stati generati per le classi sottorappresentate utilizzando la libreria Albumentations (trasformazioni geometriche, fotometriche e di degradazione) per puntare a circa 320 istanze per classe.
  • Augmentation Online: Durante l'addestramento, sono stati applicati Mosaic (per aumentare la densità degli oggetti) e Mixup (per la regolarizzazione).
• Dataset Finale: Il set di addestramento è stato espanso a 1.574 immagini (2.963 istanze), mentre i set di validazione e test sono rimasti composti da immagini originali, non aumentate, per garantire una valutazione imparziale.

2. Architetture dei Modelli:
Sono state confrontate tre strategie di rilevamento:

• YOLO26: Valutata nelle varianti Medium (YOLO26m) e Large (YOLO26l). La risoluzione di input era di 1280 × 1280 pixel per preservare i dettagli morfologici.
• ViT-B/16 + Faster R-CNN: Un approccio ibrido che utilizza un Vision Transformer per l'estrazione delle caratteristiche (con i primi sei strati congelati) accoppiato a Faster R-CNN per la proposta di regioni e la classificazione.
• AlexNet + Faster R-CNN: Una versione modificata di AlexNet con batch normalization accoppiata a Faster R-CNN, utilizzando una risoluzione di input di 640 × 640 pixel.

3. Addestramento e Valutazione:
I modelli sono stati addestrati con specifici iperparametri (le varianti YOLO hanno utilizzato MuSGD, mentre ViT/AlexNet hanno utilizzato AdamW/SGD). Le prestazioni sono state valutate utilizzando Precision, Recall, F1-score e mean Average Precision (mAP@0.5 e mAP@0.5:0.95). Dato il contesto applicativo, Recall e Precision sono state prioritarie rispetto alle metriche di localizzazione rigorosa.

Risultati Chiave

1. Confronto delle Prestazioni dei Modelli:

• YOLO26l è emerso come il modello superiore, raggiungendo i valori più alti di Recall (0,812), Precision (0,823), mAP@0.5 (0,846) e F1-score (0,817) sul set di test.
• YOLO26m è seguito da vicino con metriche leggermente inferiori.
• ViT-B/16 + Faster R-CNN ha mostrato prestazioni intermedie ma ha sofferto di un calo significativo della precisione (0,502).
• AlexNet + Faster R-CNN ha prodotto le prestazioni più basse in tutte le metriche (Recall 0,548, Precision 0,377).
• Prestazioni Specifiche per Genere: YOLO26l ha dimostrato robustezza per Curvularia, Didymella, Ganoderma, Nigrospora e Xylaria. Cladosporium è rimasto la classe più impegnativa, con la recall più bassa (0,429 nel test) e il tasso più alto di falsi negativi (il 54% delle istanze è stato mancato).

2. Validazione Operativa (Automatico vs Manuale):

• Un set esterno di 516 immagini non viste è stato analizzato. YOLO26l ha mantenuto una precisione di 0,803 e una recall di 0,659.
• Correlazione: I conteggi automatici e manuali hanno mostrato correlazioni positive e significative per tutti i generi (Spearman's ρ = 0,387–0,852; p < 0,001). La correlazione è stata più forte per Curvularia (0,852) e più debole per Cladosporium (0,387).
• Efficienza: Il sistema automatizzato ha elaborato 516 immagini in 1 minuto e 39 secondi (0,19 s/immagine), rispetto ai 2,8 ore (19,5 s/immagine) richiesti per il conteggio manuale. Ciò rappresenta un aumento della velocità di elaborazione di 102 volte.

3. Analisi degli Errori:
La principale fonte di errore è stata rappresentata dai falsi negativi (rilevamenti mancati) piuttosto che dalla misclassificazione tra generi. Il modello generalmente assegna il genere corretto una volta che una spora viene rilevata. La difficoltà nel rilevare Cladosporium è stata attribuita alla sua elevata variabilità morfologica e alla somiglianza visiva con le strutture di fondo.

Contributi Chiave

• Framework Multi-Genere: Lo studio va oltre il rilevamento di un singolo genere per validare un sistema capace di identificare simultaneamente otto distinti generi fungini, affrontando la diversità tassonomica intrinseca nel campionamento aerobiologico.
• Curatela del Dataset: Creazione e aumento di un dataset specializzato per le spore fungine, incluse strategie per gestire lo sbilanciamento delle classi e la bassa densità degli oggetti nei campi microscopici.
• Benchmarking Architetturale: Un'analisi comparativa che dimostra come i detector a stadio singolo (YOLO26) superino i modelli ibridi e basati sulla proposta di regioni (varianti Faster R-CNN) per questo specifico compito, in particolare bilanciando efficienza computazionale e accuratezza del rilevamento.
• Scalabilità Operativa: Dimostrazione di un workflow che riduce il tempo di analisi di due ordini di grandezza, facilitando il potenziale per la sorveglianza di bioaerosol in tempo reale o quasi reale.

Significato e Rivendicazioni

Gli autori affermano che questo lavoro fornisce un framework di riferimento per scalare il monitoraggio aerobiologico. Automatizzando la fase più laboriosa del processo (il conteggio microscopico), il sistema affronta il collo di bottiglia che limita la copertura geografica e temporale degli attuali programmi di monitoraggio.

Il documento afferma con moderazione che, sebbene le prestazioni varino per genere, il sistema riesce a riprodurre i pattern generali di abbondanza osservati nei conteggi manuali. Posiziona il deep learning non solo come uno strumento di classificazione, ma come uno strumento operativo per la sorveglianza ambientale e la valutazione del rischio per la salute pubblica. Gli autori riconoscono che sono necessari ulteriori miglioramenti per classi difficili come Cladosporium, ma concludono che l'approccio proposto rafforza significativamente la capacità di monitoraggio delle spore fungine routinario, tempestivo e riproducibile.