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 tesis del Dr. Carles Rubio Maturana se centra en el desarrollo de un sistema de diagnóstico automatizado para malaria y esquistosomiasis urogenital mediante inteligencia artificial (IA) y un microscopio robotizado universal de bajo coste. Los aspectos clave incluyen: Innovación en diagnóstico: Combina el análisis de imágenes digitales con redes neuronales convolucionales (CNN), principalmente modelos YOLO, para la detección en tiempo real de parásitos en muestras de sangre y orina. Desarrollo de hardware: Componentes impresos en 3D de código abierto y servomotores adaptables a microscopios ópticos convencionales, controlados mediante Arduino y una aplicación móvil. Rendimiento: Detección de malaria: YOLOv5 alcanzó una precisión y una recuperación de ~92%. Detección de esquistosomiasis: YOLOv5 alcanzó una precisión y una recuperación de ~99%. Validación: Realizada en laboratorios de hospitales y en regiones endémicas (Angola), evaluando la precisión, la usabilidad y la viabilidad de la implementación en entornos de bajos recursos. Accesibilidad: El sistema es de bajo coste, de código abierto y no requiere conectividad a Internet, lo que lo hace adecuado para áreas remotas. Aplicaciones adicionales: Formación de microscopistas. Control de calidad de las técnicas de tinción. Gestión de información de laboratorio mediante dispositivos móviles. Impacto: Mejora el diagnóstico de enfermedades desatendidas. Fortalece los sistemas de salud pública. Promueve la ciencia abierta mediante conjuntos de datos y código compartidos. Potencial comercial y social: Aborda los desafíos de la salud global con tecnología escalable y asequible.

Malaria, Esquistosomiasis, Esquistosomiasis urogenital, Diagnóstico automatizado, Inteligencia artificial, IA, Microscopía digital, Análisis de imágenes, Redes neuronales convolucionales, CNN, YOLO, YOLOv5, Detección de objetos, NasNetLarge, Frotis grueso, Tinción de Giemsa, Sedimento urinario, Detección de parásitos, Plasmodium spp, Schistosoma haematobium, Aplicación móvil, Arduino, Servomotores, Impresión 3D, Hardware de código abierto, Microscopio robotizado, Tecnología de bajo coste, Diagnóstico remoto, Regiones endémicas, Automatización de laboratorio, Análisis en tiempo real, Precisión diagnóstica, Sensibilidad, Especificidad, Puntuación F, mAP, Registro SafeCreative, Licencia Creative Commons, Ciencia abierta, Intercambio de datos, Repositorio CORA-CSUC, Formación de microscopistas, Control de calidad, Anomalías de tinción, Sistemas de información de laboratorio, LIS, Gestión de datos móviles, Salud pública, Enfermedades desatendidas, Transferencia tecnológica, Salud global, Accesibilidad, Viabilidad de implementación.