Human-Validated Neural Networks for Precise Amastigote Categorization and Quantification to Accelerate Drug Discovery in Leishmaniasis
Notice bibliographique
Résumé
Leishmaniases present a significant global health challenge with limited and often inadequate treatment options available. Traditional microscopic methods for detecting Leishmania amastigotes are time-consuming and error-prone, highlighting the need for automated approaches. This study aimed to implement and validate the YOLOv8 deep learning model for real-time detection, quantification, and categorization of Leishmania amastigotes to enhance drug screening assays. YOLOv8 was trained on 470 images from two microscopes, classifying them into categories such as "infected cells," "intracellular amastigotes," "uninfected cells," and "edge cells." The model's performance was compared to human operators using Pearson and Spearman correlation analyses. YOLOv8 achieved strong performance in detecting "infected cells" (AUC = 0.934) and "intracellular amastigotes" (AUC = 0.846). However, challenges remained in differentiating extracellular amastigotes from background noise (AUC = 0.672). Despite these challenges, the YOLOv8 model effectively minimized human variability in drug screening, providing a reliable and efficient tool for the quantification and categorization of Leishmania amastigotes in drug discovery efforts. While further refinements are required to resolve misclassification issues, the model demonstrates significant potential in enhancing both accuracy and throughput in preclinical assays.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».