Verso uno strumento di intelligenza artificiale rapido, sensibile, facile da usare e implementabile sul campo per migliorare la diagnosi e la segnalazione della peste suina africana
La Peste Suina Africana continua ad espandersi, la tecnologia aiuta a velocizzare le diagnosi anche in campo con test ad elevata sensibilità...
La peste suina africana (PSA) è una malattia animale transfrontaliera letale e altamente contagiosa, con un potenziale di rapida diffusione internazionale. I test a flusso laterale (LFA-Lateral flow assays) sono talvolta difficili da leggere per gli utenti inesperti, principalmente a causa della sensibilità degli LFA e delle ambiguità di lettura. Il nostro obiettivo era sviluppare e implementare uno strumento basato sull'intelligenza artificiale per migliorare l'accuratezza della lettura degli LFA, migliorando così la diagnosi e la segnalazione della PSA.
Materiali e Metodi: In questo studio, ci concentriamo sullo sviluppo di uno strumento diagnostico basato sull'intelligenza artificiale, basato su smartphone e basato sul deep learning, per fornire decisioni accurate con una maggiore sensibilità. Lo strumento utilizza modelli all'avanguardia You Only Look Once (YOLO) per la classificazione delle immagini. I modelli YOLO sono stati addestrati e valutati utilizzando un set di dati costituito da immagini in cui i test a flusso laterale sono stati etichettati manualmente come positivi o negativi. È stato creato un prototipo di applicazione web JavaScript per la segnalazione e la visualizzazione dei casi di PSA in Azure. L'applicazione mantiene la distribuzione delle previsioni positive su una mappa man mano che gli utenti inviano i casi positivi.
Risultati: Le prestazioni dei modelli vengono valutate utilizzando parametri di valutazione standard per le attività di classificazione, in particolare accuratezza, precisione, recall, sensibilità, specificità e misura F1. Abbiamo ottenuto un'accuratezza media dell'86,3 ± 7,9%, una precisione media del 96,3 ± 2,04%, un recall medio del 79 ± 13,20% e un punteggio F1 medio di 0,87 ± 0,088 su 3 diverse suddivisioni di training/sviluppo/test dei set di dati. L'invio di un risultato positivo del modello di deep learning aggiorna una mappa con un indicatore di posizione per i risultati positivi.
Conclusioni: La combinazione di apprendimento dei dati clinici e algoritmi in due fasi consente un test point-of-need con maggiore accuratezza. È stato sviluppato uno strumento di deep learning rapido, sensibile, intuitivo e implementabile per classificare le immagini dei test LFA al fine di migliorare la diagnosi e la refertazione, in particolare in contesti con risorse di laboratorio limitate.