Deep learning–assisted malaria microscopy with sensitivity-aware threshold optimization
Frontiers in Medicine·
- DOI
- 10.3389/fmed.2026.1911275
- PMID
- —
- PMCID
- —
- OpenAlex
- —
- 研究类型
- Journal article
- 出版商
- Frontiers Media SA
- 文章类型
- journal-article
- 完整性状态
- current
为何这项研究现在值得关注
该研究针对疟疾显微镜检查中漏检寄生红细胞这一具有临床意义的失效模式，提出敏感性感知阈值策略，有望降低筛查工作中的假阴性结果。
结构化证据摘要
研究问题
深度学习框架能否通过显式优化诊断操作点而非依赖传统准确率阈值来实现对疟疾显微镜筛查的敏感性感知配置。
研究设计
一项回顾性图像分类研究，使用两个自定义卷积神经网络及等权重评分级集成模型，在单一公共薄涂片图像集的70:15:15分层划分上进行评估，阈值的选定仅在验证集上进行，依据召回加权F2目标函数。
人群与场景
27,558张NIH/NLM薄涂片细胞图像的平衡数据集，包含寄生和未寄生红细胞，通过分层图像级采样划分为训练集、验证集和独立测试集。
主要发现
在传统阈值下，紧凑型CNN取得最高准确率95.26%。经敏感性筛查优化操作点后，更深的CNN在独立测试集上获得97.05%灵敏度（95% CI：96.23%–97.70%）、96.01%的F2分数、2.95%的假阴性率及0.9876的AUC（95% CI：0.9842–0.9910），相较默认阈值将漏检寄生细胞从177例降至61例。作者强调最高准确率配置并非最适宜的敏感性筛查方案。
公共卫生意义
该研究针对疟疾显微镜检查中漏检寄生红细胞这一具有临床意义的失效模式，提出敏感性感知阈值策略，有望降低筛查工作中的假阴性结果。
重要局限
公开数据集未提供患者标识符，因此报告的划分是基于图像级而非确认的患者级独立划分。临床部署前需进行外部多中心验证。额外隐含限制包括单一来源图像和回顾性评估。
GIDS 解读
在GIDS中，该文献归属于疟疾和诊断领域，定位为AI辅助显微镜学的方法论贡献；摘要未声称与任何活跃监测信号存在关联。
相关 GIDS 监测
文献背景不会验证、解释或改变监测信号；精确关系与背景关系会分开展示。
证据关系
本文与疾病、地区、主题及研究设计之间有 5 条可审计分类关系。