Применение сверточных нейронных сетей для автоматизированного классифицирования стадий жизненного цикла Plasmodium falciparum в микроскопии мазков крови

Обоснование. Малярия является глобальной проблемой мирового здравоохранения. Традиционная микроскопия крови, являющаяся золотым стандартом диагностики, сопряжена с высокой трудоемкостью, кадровым дефицитом в эндемичных регионах и субъективностью оценки. Автоматизация не только детекции, но и определения стадии развития возбудителя критически важна для назначения стадийно-специфической терапии.

Цель исследования. Разработка и оценка эффективности модели глубокого компьютерного зрения для классификации четырех ключевых стадий эритроцитарного цикла Plasmodium falciparum на основе микрофотографий.

Методы. В качестве основы использовалась сверточная нейронная сеть архитектуры ResNet-18. Обучение проводилось методом переноса (transfer learning) с использованием базы данных PfMorphoBank, собранной авторами. Изображения были разделены на четыре целевых класса: молодые трофозоиты, зрелые трофозоиты, шизонты и гаметоциты. Качество классификации оценивали на валидационной и отложенной тестовой выборках по Accuracy, macroPrecision, macro-Recall и macro-F1.

Результаты. На отложенной тестовой выборке дообученная ResNet-18 показала следующие результаты: Accuracy 80,83 %; macro-Precision составила 0,812, macro-Recall – 0,808, macro-F1 – 0,806. Анализ ошибок показал, что модель лучше распознает зрелые трофозоиты и испытывает наибольшие трудности при классификации гаметоцитов и морфологически близких поздних форм.

Заключение. Использование глубоких нейронных сетей демонстрирует высокий потенциал в решении задачи дифференциальной диагностики стадий малярийного плазмодия. Модель показала приемлемые метрики качества, доказывая принципиальную возможность создания автоматизированных систем.