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

In veel delen van de wereld is het diagnosticeren van parasitaire infecties afhankelijk van een methode die decennialang grotendeels ongewijzigd is gebleven: een technicus kijkt door een microscoop naar een dunne uitstrijk van ontlasting om minuscule eitjes te vinden die door wormen zijn gelegd. Dit proces, bekend als de Katoo-Katz-techniek, is de standaardmethode voor het identificeren van bodemoverdraagbare helminthussen en schistosomiasis, twee groepen parasieten die honderden miljoenen mensen infecteren, met name in omgevingen met beperkte middelen. Deze handmatige aanpak is echter traag, arbeidsintensief en hangt volledig af van de vaardigheid en het gezichtsvermogen van de persoon die door de lens kijkt. In afgelegen gebieden waar getrainde experts schaars zijn en internetverbindingen onbetrouwbaar zijn, kan de vertraging bij het opsporen van deze infecties het verschil betekenen tussen effectieve behandeling en de verspreiding van ziekte. De uitdaging voor de moderne geneeskunde is niet alleen om een betere manier te vinden om deze parasieten te zien, maar om een hulpmiddel te creëren dat draagbaar, betaalbaar en in staat is om te werken zonder verbinding met een krachtige computer of de cloud.

Om dit aan te pakken, heeft een team van onderzoekers van universiteiten in Ethiopië een systeem ontwikkeld dat een standaard, goedkope Android-smartphone verandert in een diagnostische assistent. Ze richtten zich op het bouwen van een softwaremodel dat een microscopische afbeelding van een parasitaire eitje kan bekijken en de gebruiker direct kan vertellen wat voor soort infectie aanwezig is. Het team trainde een digitaal brein, specifiek een type kunstmatige intelligentie dat bekend staat als een convolutioneel neuraal netwerk, met behulp van een collectie van 1.490 afbeeldingen genomen van echte laboratoriumglijdende objecten. Deze afbeeldingen vertegenwoordigden vijf verschillende categorieën: eitjes van drie soorten rondwormen, eitjes van een specifieke soort trematoden (platwormen), en monsters die geen infectie vertoonden. Het doel was om de computer te leren de unieke vormen en texturen van deze eitjes te herkennen, zodat hij dezelfde identificatie zou kunnen maken als een menselijke expert, maar in een fractie van de tijd.

De onderzoekers kozen een specifieke architectuur voor hun digitale brein genaamd MobileNetV2, die is ontworpen om lichtgewicht en efficiënt te zijn. In tegen tegenstelling tot de enorme modellen die supercomputers vereisen om te draaien, is deze versie gebouwd om te functioneren op het beperkte geheugen en de verwerkingskracht van een mobiele telefoon. Na het trainen van het model op een krachtige computer uitgerust met een NVIDIA Tesla T4 GPU, liep het team tegen een cruciale hindernis aan: het model was nog steeds te groot om soepel te draaien op de goedkope telefoons die in landelijke klinieken worden gebruikt. Om dit op te lossen, pasten ze een techniek toe die post-training quantisatie wordt genoemd. Dit proces is vergelijkbaar met het comprimeren van een foto met een hoge resolutie naar een kleiner bestand zonder de details die nodig zijn om het onderwerp te herkennen te verliezen. Door het interne rekenproces van het model om te zetten van complexe, hoog-precieze getallen naar eenvoudigere, laag-precieze gehele getallen, verminderden ze de bestandsgrootte van ongeveer 26 megabyte naar slechts 2,8 megabyte. Deze compressie zorgde ervoor dat het model gemakkelijk op de opslag van een telefoon paste, terwijl het in staat bleef om de parasieten nauwkeurig te identificeren.

Zodra het model gecomprimeerd was, integreerde het team het in een mobiele applicatie gebouwd met een cross-platform ontwikkeltool, waardoor de software op Android-apparaten kon draaien zonder dat er een internetverbinding nodig was. Ze testten dit systeem op twee verschillende telefoons: een middenklasse Samsung A15 met 4 gigabyte aan geheugen en een meer budgetvriendelijke Tecno Spark 4 met slechts 2 gigabyte. De resultaten lieten zien dat het systeem effectief werkte op beide apparaten. Op de Samsung kon de telefoon een afbeelding analyseren en in ongeveer 68 milliseconden een diagnose teruggeven, wat snel genoeg is om aan te voelen als een echt-tijd gesprek. Op het tragere Tecno-toestel duurde het proces ongeveer 112 milliseconden, nog steeds snel genoeg voor praktisch gebruik in een drukke kliniek. De applicatie identificeerde de parasieten succesvol volledig op het apparaat zelf, wat betekent dat een gezondheidswerker in een dorp zonder elektriciteit of internet een foto van een preparaat kan maken en een onmiddellijke, geautomatiseerde beoordeling kan ontvangen.

Wat betreft de nauwkeurigheid presteerde het systeem over de hele linie goed, waarbij het de soort infectie in ongeveer 89 procent van de testgevallen correct identificeerde. Het model was bijzonder goed in het opsporen van de eitjes van de schistosomiasis-parasiet, waarbij het een bijna perfect succespercentage bereikte voor die specifieke klasse. Het presteerde ook sterk met de andere wormsoorten, hoewel het de eitjes van de ene rondworm soms met die van een andere verwarde, een veelvoorkomende moeilijkheid zelfs voor menselijke experts wanneer de visuele kenmerken zeer vergelijkbaar zijn. De onderzoekers merkten op dat hoewel het systeem zeer effectief is, het geen vervanging is voor een gekwalificeerde laboratoriumprofessional. In plaats daarvan dient het als een krachtig screeningsinstrument dat kan helpen bij het prioriteren van gevallen en het versnellen van het diagnostisch proces in gebieden waar experts schaars zijn.

De studie concludeert dat deze aanpak een praktische weg vooruit biedt voor het verbeteren van de gezondheidszorg in omgevingen met beperkte middelen. Door een lichtgewicht model voor kunstmatige intelligentie te combineren met een eenvoudige mobiele applicatie, hebben de onderzoekers aangetoond dat geavanceerde diagnostische mogelijkheden rechtstreeks naar de plek van zorg gebracht kunnen worden. Het systeem vereist geen dure servers, constante internettoegang of hoog gespecialiseerde hardware. Het vereist simpelweg een smartphone en een microscoop, waardoor een apparaat dat in veel zakken te vinden is, wordt getransformeerd tot een instrument dat kan helpen bij het detecteren en beheren van parasitaire ziekten op een efficiëntere manier. Hoewel de onderzoekers erkennen dat het model verbeterd kan worden met meer data en testen in verschillende regio's, bewijzen de huidige resultaten dat een offline, geautomatiseerd diagnostisch systeem niet alleen een theoretische mogelijkheid is, maar een werkende realiteit die vandaag de dag ingezet kan worden.