伊丽莎白-卡罗（Elizabeth Caro）博士和爱德华多-席尔瓦（Eduardo Silva）博士是联合国电子技术研究所（UNEATLANTICO）的研究人员，他们合作开展了一项研究，提出了一种利用深度学习技术提高疟疾检测质量的创新技术。
疟疾是一种危险的疾病，由受感染的雌蚊叮咬引起。它不仅在人类中具有传染性，在动物中也具有传染性。疟疾会引起发烧、头痛、出汗、呕吐和肌肉不适等轻微症状。严重症状包括昏迷、抽搐和肾衰竭。
疟疾病例的高发病率，尤其是在非洲、东南亚和东地中海地区，对人工检测受感染红细胞的有效性提出了考验。传统的疾病诊断方法是在显微镜下对血液样本进行确定性检查。这种方法具有挑战性，因为在厚厚的样本中，细胞会相互重叠，难以区分健康细胞和受感染细胞。
为了加快疟疾感染的诊断速度，有人建议使用高分辨率数码相机或手机拍摄血液样本图像。然而，用手机拍摄的照片质量可能较差，因此很难使用机器学习算法进行人工解读和疾病检测。
为了克服这些挑战，我们采用了深度学习算法，这种算法可以快速处理图像并估算出对疟疾诊断和分类非常重要的特征。支持向量机、奈夫贝叶斯分类器和神经网络等机器学习方法已证明感染检测准确率在 83.5% 到 85% 之间。然而，这些算法的成功与否在很大程度上取决于能否获得由训练有素的专业人员提取的结构良好、辨别力强的特征向量。
因此，我们利用红细胞样本开发了一种基于深度学习的自动化高效模型。这种方法的疟疾检测准确率高达 97.57%。通过使用快速预处理算法和自动特征提取，可以实现准确可靠的疾病诊断。该算法无需人工特征提取，大大减少了病理学家的工作量，加快了诊断过程。
这种创新方法结合了两个基本要素：图像分析和训练有素的算法。通过在大量血液样本图像数据集上训练算法，它不仅能准确检测和诊断疟疾，还能评估寄生虫的严重程度。这种综合分析对病理学家和患者都有好处，能提供高效、经济、可靠的结果。
这种创新方法为缺乏合格病理学家的地区提供了一种前景广阔的解决方案。这种方法的实施有可能彻底改变疟疾检测方法，最终更有效地管理这一全球健康问题。
如果您想进一步了解这项研究，请点击此处。
有关更多研究，请查阅 UNEATLANTICO 资料库。