La schistosomiase, une maladie parasitaire qui touche des millions de personnes dans le monde, représente un fardeau important pour la santé publique et l’économie, en particulier dans les régions pauvres.
Pour lutter contre cette maladie et atteindre les objectifs de contrôle et d’élimination de l’Organisation mondiale de la santé (OMS), des outils de diagnostic précis et accessibles sont essentiels. Actuellement, la microscopie est la norme pour diagnostiquer la schistosomiase, mais elle prend du temps, dépend de l’opérateur et nécessite une expertise spécialisée, ce qui la rend difficile pour les zones à ressources limitées.
Pour relever ces défis, les chercheurs ont développé le Schistoscope, un outil optique innovant équipé d’un système de mise au point automatique et de balayage automatisé des lames.
Cet appareil capture des images de microscopie d’échantillons d’urine, permettant une détection efficace de Schistosoma haematobium œufs, une cause fréquente de schistosomiase urogénitale. Dans une étude publiée dans le Journal d’imagerie médicaleles chercheurs visaient à créer un ensemble de données robuste et à développer un cadre de diagnostic en deux étapes utilisant l’apprentissage en profondeur pour identifier et compter avec précision S. haematobium (SH) œufs dans les champs.
Tout d’abord, les chercheurs ont créé un ensemble de données SH composé de 12 051 images d’échantillons d’urine prélevés dans une zone rurale du centre du Nigéria et capturés à l’aide du dispositif Schistoscope. Ils ont annoté manuellement les images, marquant les œufs et les différenciant des artefacts tels que les cristaux, les débris de verre, les bulles d’air et les fibres, qui peuvent entraver un diagnostic précis.
Le cadre de diagnostic en deux étapes proposé consiste en un DeepLabv3 avec un réseau de neurones convolutionnels profonds de base MobilenetV3, formé à l’aide de l’apprentissage par transfert sur l’ensemble de données SH. Dans la première étape, le framework effectue une segmentation sémantique pour identifier les œufs SH candidats dans les images capturées. La deuxième étape affine la segmentation en ajustant des ellipses qui se chevauchent, séparant efficacement les limites des œufs groupés, conduisant à un nombre d’œufs plus précis.
Pour démontrer l’applicabilité sur le terrain du cadre proposé, les chercheurs l’ont mis en œuvre sur un système d’IA de pointe (accélérateur Raspberry Pi + Coral USB) et l’ont testé sur 65 échantillons d’urine cliniques obtenus sur le terrain au Nigeria. Les résultats ont montré une sensibilité, une spécificité et une précision élevées (pourcentages : 93,75, 93,94 et 93,75, respectivement), le comptage automatisé des œufs étant étroitement corrélé au comptage manuel par un microscopiste expert.
Cet ensemble de données SH constitue une ressource précieuse pour la formation et l’évaluation du cadre de diagnostic, fournissant un ensemble diversifié d’images avec divers degrés de difficulté en raison d’artefacts.
En automatisant le processus de détection des ovules, le Schistoscope et le cadre de diagnostic proposé offrent une solution prometteuse pour le diagnostic rapide et précis de la schistosomiase urogénitale, en particulier dans les milieux à faibles ressources. Des études futures valideront davantage les performances du cadre et le compareront à d’autres méthodes de diagnostic, telles que la détection de l’antigène circulant du schistosome et les tests basés sur l’ADN, afin d’établir son rôle dans la surveillance et le contrôle de la schistosomiase.. »
Jan Carel Diehl, auteur correspondant de l’étude et professeur, Département d’ingénierie de conception durable, Université de technologie de Delft
Dans l’ensemble, ces travaux représentent une étape importante vers l’amélioration des diagnostics et la lutte contre la schistosomiase, une maladie qui touche de manière disproportionnée les populations vulnérables dans les régions endémiques.