Deep learning–assisted malaria microscopy with sensitivity-aware threshold optimization

doi:10.3389/fmed.2026.1911275

Deep learning–assisted malaria microscopy with sensitivity-aware threshold optimization

2026-08-31

0

OA

AI

AG Abdelhamid Ghoul *

DOI：10.3389/fmed.2026.1911275

原文链接

原文求助

摘要

En 中文

当漏检被寄生红细胞时，疟疾显微镜检查变得临床风险，即使分类器报告了高整体准确率。本研究提出了一种人工智能辅助疟疾显微镜检查框架，该框架明确优化了敏感度感知筛查的诊断操作点。一个包含27,558张美国国立卫生研究院/美国国立医学图书馆（NIH/NLM）薄血膜细胞图像的平衡数据集，通过分层图像级采样按70:15:15的比例划分为训练集、验证集和独立测试集。评估了两种具有互补容量-正则化特征的自定义卷积神经网络（CNN）以及一个等权重分数级集成模型。通过仅训练时的在线增强、固定输入调整大小、仅验证时的阈值选择、置信区间和误差分析来提高可重复性。在常规阈值下，紧凑型CNN实现了最高准确率（95.26%）。在用召回加权F2目标优化操作点后，深度CNN在保留测试集上提供了最强的筛查导向结果，达到97.05%的敏感度（95%置信区间：96.23%–97.70%）、96.01%的F2分数、2.95%的假阴性率和受试者工作特征曲线下面积0.9876（95%置信区间：0.9842–0.9910）。相对于其默认阈值，将漏检的寄生细胞数量从177个减少到61个。由于公开发布不提供患者标识符，因此报告的划分是图像级而非确认的患者级独立，临床部署前仍需外部多中心验证。主要发现是，最高准确率的分类器并不一定是敏感度导向筛查的最合适配置。

Keyword:

deep learning,convolutional neural networks,explainable artificial intelligence,malaria detection,medical image classification,sensitivity optimization,microscopy image analysis

Deep learning–assisted malaria microscopy with sensitivity-aware threshold optimization

摘要

期刊

机构

引用论文