Desenvolupament d’un sistema de diagnòstic automatitzat per la malària i l’esquistosomiasi urogenital utilitzant eines d'intel·ligència artificial i un microscopi robotitzat universal de baix cost

Abstract

Segons dades de segons l'Organització Mundial de la Salut (OMS) s’han reportat 263 milions de casos de malària a tot el món durant el 2023. L'esquistosomiasi és catalogada per l'OMS com a malaltia tropical desatesa (MTD), amb més de 253 milions de persones en risc d'infecció. La microscòpia continua sent la tècnica gold standard pel diagnòstic d’ambdues malalties, encara així, es tracta d'un mètode professional dependent amb un alt nivell d’implicació a la rutina diària dels laboratoris. Com a alternativa al gold standard, els algorismes d’Intel·ligència Artificial (IA) són capaços de detectar formes biològiques en imatges de microscòpia mitjançant xarxes neuronals (XN) pre-entrenades amb dades microbiològiques. D’altra banda, els telèfons intel·ligents són una solució òptima de baix cost, gràcies a la seva capacitat de capturar imatges de suficient qualitat amb una càmera pròpia, i la possibilitat d'integrar models de XN per executar els algoritmes d'IA i realitzar una detecció. En el projecte de tesi presentat hem desenvolupat un nou sistema automatitzat basat en tècniques d'anàlisi d'imatges per al diagnòstic de la malària i l'esquistosomiasi urogenital. El sistema es basa en una aplicació per a telèfons intel·ligents, i un microscopi robotitzat de baix cost. Per automatitzar tot el procés, es va dissenyar un prototip de peces impreses en 3D per a la robotització de la microscòpia òptica convencional, capaç d'auto-enfocar i fer un escaneig de tota la preparació. L’objectiu principal de l’estudi és la detecció automàtica dels paràsits de Plasmodium i Schistosoma haematobium per donar suport al diagnòstic microbiològic, i per la seva implementació en entorns amb pocs recursos. Es va crear un conjunt de dades de 2571 imatges etiquetades de gotes gruixudes tenyides amb Giemsa, i 1017 imatges digitals etiquetades de sediment urinari. L'anàlisi comparatiu de xarxes neuronals va demostrar, utilitzant mètriques d’aprenentatge automàtic per avaluar el rendiment del model YOLOv5x, una precisió del 92.10%, un recall de 93.50% i un valor F de 92.79% per a la detecció de trofozoïts de Plasmodium primerencs, madurs i leucòcits. En el cas de l’esquistosomiasi urogenital, l'entrenament de YOLOv5x va demostrar una precisió del 99.3%, un recall de 99.4% i un valor F de 99.3% per a la detecció d’ous de S. haematobium. El model de xarxa neuronal NasNetLarge va demostrar una precisió del 85.6% per a la detecció d'eritròcits/leucòcits en orina. Els algoritmes de diagnòstic es van integrar en una aplicació per telèfons intel·ligents i un software de laboratori dissenyat pel seu maneig en ordinador. El nou prototip és capaç de determinar si (i) una mostra de gota gruixuda tenyida amb Giemsa és positiva/negativa per a la infecció de Plasmodium, i els seus nivells de parasitemia; (ii) detectar la presencia d’ous de S. haematobium i d’eritròcits/leucòcits en imatges de sediments urinaris. Es va realitzar una validació diagnòstica preliminar del sistema per comparar-la amb la tècnica gold standard de microscòpia convencional. Els resultats obtinguts a la validació del Centre Drassanes Vall d’Hebron van demostrar una sensibilitat del 81.25% i una especificitat del 92.11% pel diagnòstic de la malària. D’altra banda, s’ha realitzat una prova de concepte a l’Hospital Nossa Senhora da Paz (Cubal, Angola) pel diagnòstic de la malària, demostrant resultats satisfactoris per a la implementació del sistema en laboratoris amb pocs recursos. Finalment, la coalescència del sistema totalment automatitzat, la detecció autònoma de paràsits/cèl·lules en imatges digitals amb un programari per a telèfons intel·ligents i algoritmes d'IA, i altres aplicacions transversals confereixen al prototip les característiques òptimes per unir-se a l'esforç global per la lluita contra la malària i les malalties tropicals desateses.

Según datos de la Organización Mundial de la Salud (OMS) se han reportado 263 millones de casos de malaria en todo el mundo durante el 2023. La esquistosomiasis es catalogada por la OMS como enfermedad tropical desatendida (MTD), con más de 253 millones de personas en riesgo de infección. La microscopía continúa siendo la técnica gold standard por el diagnóstico de ambas enfermedades, sin embargo, se trata de un método profesional dependiente con un alto nivel de implicación a la rutina diaria de los laboratorios. Como alternativa al gold standard, los algoritmos de Inteligencia Artificial (IA) son capaces de detectar formas biológicas en imágenes digitales de microscopía mediante redes neuronales (RN) pre-entrenadas con datos microbiológicos. Por otro lado, los teléfonos inteligentes son una solución óptima de bajo coste, gracias a su capacidad de capturar imágenes de suficiente calidad con una cámara propia, y de integrar modelos de RN para ejecutar los algoritmos de IA y realizar una detección. En el proyecto de tesis presentado hemos desarrollado un nuevo sistema automatizado basado en técnicas de análisis de imágenes para el diagnóstico de la malaria y la esquistosomiasis urogenital. El sistema se basa en una aplicación para teléfonos inteligentes, y un microscopio robotizado de bajo coste. Para automatizar todo el proceso, se diseñó un prototipo de piezas impresas en 3D para la robotización de la microscopia óptica convencional, capaz de auto-enfocar y hacer un escaneo de toda la preparación. El objetivo principal del estudio es la detección automática de los parásitos de Plasmodium y Schistosoma haematobium para dar soporte al diagnóstico microbiológico, y para su implementación en entornos con pocos recursos. Se generó un conjunto de datos de 2571 imágenes etiquetadas de gotas gruesas teñidas con Giemsa, y 1017 imágenes digitales etiquetadas de sedimento urinario. El análisis comparativo de redes neuronales demostró, utilizando métricas de aprendizaje automático para evaluar el rendimiento del modelo YOLOv5x, una precisión del 92.10%, un recall de 93.50% y un valor F de 92.79% para la detección de trofozoítos jóvenes y maduros de Plasmodium, y leucocitos. En el caso del esquistosomiasis urogenital, el entrenamiento de YOLOv5x demostró una precisión del 99.3%, un recall de 99.4% y un valor F de 99.3% para la detección de huevos de S. haematobium. El modelo de red neuronal NasNetLarge demostró una precisión del 85.6% para la detección de eritrocitos/leucocitos en orina. Los algoritmos de diagnóstico se integraron en una aplicación para teléfonos inteligentes y un software de laboratorio diseñado por su manejo en ordenador. El nuevo prototipo es capaz de determinar si (i) una muestra de gota gruesa teñida con Giemsa es positiva/negativa para la infección por Plasmodium, y sus niveles de parasitemia; (ii) detectar la presencia de huevos de S. haematobium y de eritrocitos/leucocitos en imágenes de sedimentos urinarios. Se realizó una validación diagnóstica preliminar del sistema para compararla con la técnica gold standard de microscopía convencional. Los resultados obtenidos en la validación del Centro Drassanes Vall d’Hebron demostraron una sensibilidad del 81.25% y una especificidad del 92.11% por el diagnóstico de la malaria. Por otro lado, se ha realizado una prueba de concepto en el Hospital Nossa Senhora da Paz (Cubal, Angola) por el diagnóstico de la malaria, demostrando resultados satisfactorios para la implementación del sistema en laboratorios con pocos recursos. Finalmente, la coalescencia del sistema totalmente automatizado, la detección autónoma de parásitos/células en imágenes digitales con un software para teléfonos inteligentes y algoritmos de IA, y otras aplicaciones transversales confieren al prototipo las características óptimas para unirse al esfuerzo global por la lucha contra la malaria y las enfermedades tropicales desatendidas.

According to data from the World Health Organization (WHO), 263 million cases of malaria have been reported worldwide in 2023. Schistosomiasis is classified by the WHO as a Neglected Tropical Disease (NTD), with more than 253 million people at risk of infection. Microscopy continues to be the gold standard technique for the diagnosis of both diseases, yet it is an expert-dependent method with a high level of involvement in the daily routine of laboratories. As an alternative to gold standard diagnossis, Artificial Intelligence (AI) algorithms are able to detect biological forms in microscopy images using neural networks (NN) pre-trained with microbiological data. On the other hand, smartphones are an optimal low-cost solution, thanks to their ability to capture images of sufficient quality with their own camera, and the possibility of integrating NN models to execute AI algorithms and perform a detection. In the presented thesis project, we have developed a new automated system based on image analysis techniques for the diagnosis of malaria and urogenital schistosomiasis. The system is based on an application for smartphones, and a low-cost robotic microscope. To automate the entire process, a prototype of 3D-printed pieces was designed for the robotization of conventional optical microscopy, capable of auto-focusing and scanning all the preparation. The main objective of the study is the automatic detection of Plasmodium and Schistosoma haematobium parasites to support microbiological diagnosis, and their implementation in environments with few resources. A dataset of 2571 labeled images of Giemsa stained thick blood smears was created, and 1017 digital labeled images of urinary sediments. Comparative analysis of neural networks demonstrated, using machine learning metrics to evaluate the performance of the YOLOv5x model, a precision of 92.10%, a recall of 93.50% and an F-score of 92.79% for the detection of early Plasmodium trophozoites, mature and leukocytes. In the case of urogenital schistosomiasis, YOLOv5x training demonstrated a precision of 99.3%, a recall of 99.4% and an F-score of 99.3% for the detection of S. haematobium eggs. The NasNetLarge neural network model demonstrated an accuracy of 85.6% for the detection of erythrocytes/leucocytes in urine. Diagnostic algorithms were integrated into a smartphone application and a laboratory software designed for computer handling. The new prototype is capable of determining whether (i) a Giemsa stained thick blood smear sample is positive/negative for Plasmodium infection, and its parasite levels; (ii) detecting the presence of S. haematobium eggs and erythrocytes/leucocytes in images of urinary sediments. A preliminary diagnostic validation of the system was performed to compare it with the conventional gold standard microscopy technique. The results obtained at the validation of the Vall d'Hebron Drassanes Center demonstrated a sensitivity of 81.25% and a specificity of 92.11% for the diagnosis of malaria. On the other hand, a proof of concept has been carried out at the Nossa Senhora da Paz Hospital (Cubal, Angola) for the diagnosis of malaria, demonstrating satisfactory results for the implementation of the system in laboratories with few resources. Finally, the coalescence of the fully automated system, the autonomous detection of parasites/cells in digital images with smartphone software and AI algorithms, and other transversal applications give the prototype the optimal characteristics to join the global effort to fight malaria and neglected tropical diseases.