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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».