Detektion von Malaria-Parasiten mittels effizienten neuronalen Ensemble-Modellen

Durch den Stich einer von Plasmodium-Parasiten infizierten Anopheles-Mücke verursacht, bleibt Malaria jahrelang eine erhebliche Belastung für das Gesundheitssystem weltweit, wobei jährlich etwa 400.000 Todesfälle registriert werden. Die traditionelle Diagnosemethode für Malaria basiert auf der mikroskopischen Untersuchung von Blutausstrichen. Dieser Prozess ist nicht nur zeitaufwendig, sondern erfordert auch, dass Pathologen über eine hohe fachliche Kompetenz verfügen. Eine zeitnahe Diagnose sowie der Zugang zu zuverlässigen diagnostischen Einrichtungen und geschulten Labortechnikern sind entscheidend, um die Sterblichkeitsrate zu senken. Ziel dieser Studie ist es, ein robustes System zur automatisierten Erkennung des Parasiten in dünnen Blutausstrichen mittels Deep-Learning-Techniken wie Transfer-Learning und Snapshot-Ensembling zu entwickeln. Alle Modelle wurden anhand folgender Metriken bewertet: F1-Score, Genauigkeit (Accuracy), Präzision (Precision), Recall, Matthews-Korrelationskoeffizient (MCC), Fläche unter der ROC-Kurve (AUC-ROC) sowie Fläche unter der Präzision-Recall-Kurve (AUC-PR). Das Snapshot-Ensembling-Modell, das aus den Snapshots des vortrainierten EfficientNet-B0-Modells kombiniert wurde, übertraf alle anderen Modelle und erreichte einen F1-Score von 99,37 %, eine Präzision von 99,52 % und einen Recall von 99,23 %. Die Ergebnisse belegen das Potenzial von Modell-Ensembles, die die Vorhersagekraft mehrerer schwächerer Modelle vereinen, um ein einzelnes effizientes Modell zu schaffen, das besser in der Lage ist, mit realen Datensätzen umzugehen. Die GradCAM-Experimente zeigten die Gradientenaktivierungskarten der letzten Konvolutionsschicht, um visuell aufzuklären, wo und was ein Modell in einem Bild erkennt, um es einer bestimmten Klasse zuzuordnen. Die Modelle dieser Studie aktivierten korrekt die gefärbten parasitären Regionen von Interesse in den dünnen Blutausstrichen. Solche visuellen Darstellungen erhöhen die Transparenz, Erklärbarkeit und Vertrauenswürdigkeit des Modells – Aspekte, die für die Implementierung von KI-basierten Lösungen in Gesundheitsnetzwerken von entscheidender Bedeutung sind.