Malaria Detection Accelerated: Combing a High-Throughput NanoZoomer Platform with a ParasiteMacro Algorithm
Notice bibliographique
Résumé
Eradication of malaria, a mosquito-borne parasitic disease that hijacks human red blood cells, is a global priority. Microscopy remains the gold standard hallmark for diagnosis and estimation of parasitemia for malaria, to date. However, this approach is time-consuming and requires much expertise especially in malaria-endemic countries or in areas with low-density malaria infection. Thus, there is a need for accurate malaria diagnosis/parasitemia estimation with standardized, fast, and more reliable methods. To this end, we performed a proof-of-concept study using the automated imaging (NanoZoomer) platform to detect the malarial parasite in infected blood. The approach can be used as a steppingstone for malaria diagnosis and parasitemia estimation. Additionally, we created an algorithm (ParasiteMacro) compatible with free online imaging software (ImageJ) that can be used with low magnification objectives (e.g., 5×, 10×, and 20×) both in the NanoZoomer and routine microscope. The novel approach to estimate malarial parasitemia based on modern technologies compared to manual light microscopy demonstrated 100% sensitivity, 87% specificity, a 100% negative predictive value (NPV) and a 93% positive predictive value (PPV). The manual and automated malaria counts showed a good Pearson correlation for low- (R2 = 0.9377, r = 0.9683 and p < 0.0001) as well as high- parasitemia (R2 = 0.8170, r = 0.9044 and p < 0.0001) with low estimation errors. Our robust strategy that identifies and quantifies malaria can play a pivotal role in disease control strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».