Desenvolupament d'un sistema de diagnòstic automatitzat per la malària i l'esquistosomiasi urogenital utilitzant eines d'intel·ligència artificial i un microscopi robotitzat universal de baix cost

Carlos Rubio Maturana

Dr. Joan Joseph Munné (VHIR) and Dra. Elisa Sayrol Clols (UPC)

Malaria caused 263 million infections worldwide in 2023 according to the World Health Organization (WHO). Schistosomiasis is classified by the WHO as a neglected tropical disease, with more than 253 million people at risk of infection. Microscopy remains the gold standard technique for the diagnosis of both diseases, however it is a professional-dependent method, which requires long observation times under the microscope. As an alternative to traditional methods, new diagnostic techniques based on artificial intelligence are being developed, which allow for rapid, accurate and automated diagnosis. In the presented project, a new diagnostic system based on a smartphone application and a low-cost robotic microscope have been developed. The system is capable of performing a fully automated diagnosis by: (i) scanning the biological sample and autofocusing the microscopic fields for digital image acquisition with the smartphone, (ii) analysis of the digital images using neural network models trained for parasite and cell detection, and (iii) final technical/optional validation of the diagnosis using LIS software. The main objective of the study is the development and validation of the system, especially designed for its implementation in clinical laboratories, including resource-poor settings where these diseases are endemic. 148 Giemsa-stained thick-drop samples were used, of which 2571 digital images were captured and labeled. The comparative analysis of neural networks demonstrated an optimal performance of the YOLOv5x model, with an F-score of 92.79% for the detection of immature, mature Plasmodium trophozoites and leukocytes. For urogenital schistosomiasis, a total of 1017 labeled digital images of 24 urine sediment samples were analyzed. The training of the YOLOv5x model demonstrated an F-score of 99.30% for the detection of S. haematobium eggs, and the NasNetLarge binary neural network an accuracy of 85.60% for the detection of erythrocytes/leukocytes in urine. The diagnostic algorithms were integrated into a smartphone application and a LIS laboratory software. With the results obtained, the system is able to determine whether a thick blood drop sample is positive/negative for Plasmodium, and its parasitemia levels; and to detect the presence of S. haematobium eggs and erythrocytes/leukocytes in urine sediment samples. A diagnostic validation of the system was performed to compare it with the gold standard technique of conventional microscopy. The results obtained at the Drassanes-Vall d'Hebron Center (Barcelona, ​​Spain) demonstrated a sensitivity of 81.25% and a specificity of 92.11% for the diagnosis of malaria. Additionally, a proof of concept was performed at the Nossa Senhora da Paz Hospital (Cubal, Angola), obtaining satisfactory qualitative results for the implementation of the system in laboratories with few resources. The project has a holistic approach with a transversal impact on global health. The coalescence of the automation of the diagnostic process and the accessibility of the system give the prototype the optimal characteristics to join the global effort to fight malaria and neglected tropical diseases.

La tesi del Dr. Carles Rubio Maturana se centra en el desenvolupament d'un sistema de diagnòstic automatitzat per a la malària i l'esquistosomiasi urogenital mitjançant intel·ligència artificial (IA) i un microscopi robotitzat universal de baix cost. Els aspectes clau inclouen: Innovació diagnòstica: Combina l'anàlisi d'imatges digitals amb xarxes neuronals convolucionals (CNN), principalment models YOLO, per a la detecció en temps real de paràsits en mostres de sang i orina. Desenvolupament de maquinari: Components impresos en 3D de codi obert i servomotors adaptables a microscopis òptics convencionals, controlats mitjançant Arduino i una aplicació mòbil. Rendiment: Detecció de malària: YOLOv5 va aconseguir una precisió i una recuperació del 92%. Detecció d'esquistosomiasi: YOLOv5 va aconseguir una precisió i una recuperació del 99%. Validació: Es va dur a terme en laboratoris hospitalaris i en regions endèmiques (Angola), avaluant la precisió, la usabilitat i la viabilitat de la implementació en entorns de baixos recursos. Accessibilitat: El sistema és de baix cost, de codi obert i no requereix connectivitat a Internet, cosa que el fa adequat per a zones remotes. Aplicacions addicionals: Formació de microscopistes. Control de qualitat de les tècniques de tinció. Gestió d'informació de laboratori a través de dispositius mòbils. Impacte: Millora el diagnòstic de malalties desateses. Enforteix els sistemes de salut pública. Promou la ciència oberta mitjançant conjunts de dades i codi compartits. Potencial comercial i social: Aborda els reptes de salut global amb tecnologia escalable i assequible.

Malària, esquistosomiasi, esquistosomiasi urogenital, Diagnòstic automatitzat, Intel·ligència artificial, IA, Microscòpia digital, Anàlisi d'imatges, Xarxes neuronals convolucionals, CNN, YOLO, YOLOv5, Detecció d'objectes, NasNetLarge, Frotis de sang espès, Tinció de Giemsa, Sediment d'orina, Detecció de paràsits, Plasmodium spp, Schistosoma haematobium, Aplicació mòbil, Arduino, Servomotors, Impressió 3D, Maquinari de codi obert, Microscopi robotitzat, Tecnologia de baix cost, Diagnòstic remot, Regions endèmiques, Automatització de laboratori, Anàlisi en temps real, Precisió diagnòstica, Sensibilitat, Especificitat, Puntuació F, mAP, Registre SafeCreative, Llicència Creative Commons, Ciència oberta, Compartició de dades, Repositori CORA-CSUC, Formació de microscopistes, Control de qualitat, Anomalies de tinció, Sistemes d'informació de laboratori, LIS, Gestió de dades mòbils, Salut pública, Malalties desateses, Transferència tecnològica, Salut global, Accessibilitat, Viabilitat d'implementació.