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 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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».