Machine learning to identify clinically relevant <i>Candida</i> yeast species
Notice bibliographique
Résumé
Fungal infections, especially due to Candida species, are on the rise. Multi-drug resistant organisms such as Candida auris are difficult and time consuming to identify accurately. Machine learning is increasingly being used in health care, especially in medical imaging. In this study, we evaluated the effectiveness of six convolutional neural networks (CNNs) to identify four clinically important Candida species. Wet-mounted images were captured using bright field live-cell microscopy followed by separating single-cells, budding-cells, and cell-group images which were then subjected to different machine learning algorithms (custom CNN, VGG16, ResNet50, InceptionV3, EfficientNetB0, and EfficientNetB7) to learn and predict Candida species. Among the six algorithms tested, the InceptionV3 model performed best in predicting Candida species from microscopy images. All models performed poorly on raw images obtained directly from the microscope. The performance of all models increased when trained on single and budding cell images. The InceptionV3 model identified budding cells of C. albicans, C. auris, C. glabrata (Nakaseomyces glabrata), and C. haemulonii in 97.0%, 74.0%, 68.0%, and 66.0% cases, respectively. For single cells of C. albicans, C. auris, C. glabrata, and C. haemulonii InceptionV3 identified 97.0%, 73.0%, 69.0%, and 73.0% cases, respectively. The sensitivity and specificity of InceptionV3 were 77.1% and 92.4%, respectively. Overall, this study provides proof of the concept that microscopy images from wet-mounted slides can be used to identify Candida yeast species using machine learning quickly and accurately.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».