Comparative analysis and optimization of multi-model artificial intelligence for microscopic detection of fungal structures in superficial fungal infections
Mei Liu · Wenjing He · Linan Ni 等 7 人
比较六种深度学习模型检测浅表真菌镜检结构，优化YOLOv11并部署在线辅助诊断平台。
用4000菌丝和4500孢子图像及1870份标本，对比YOLO、CNN、DETR
YOLOv11最优，优化后200倍菌丝F1达97.84%，在线平台可行。
可迁移至农业病原真菌显微检测，探索跨域小样本与实时边缘部署。
该论文聚焦临床浅部真菌感染的显微AI检测，属医学诊断领域，与三农、农业信息化、智慧农业无直接关联，不建议进入每日精选。
背景 浅部真菌感染对全球公共卫生构成的威胁日益加剧。传统诊断技术，包括显微镜检查与培养，耗时且主观，常限制诊断准确性。人工智能（AI）驱动的诊断工具为提高显微镜真菌检测的效率与标准化提供了有前景的辅助手段。方法 我们系统比较了六种深度学习模型，包括You Only Look Once（YOLO）系列、卷积神经网络（CNN）系列和Detection Transformer（DETR）。构建了三个评估数据集。数据集1和数据集2（分别来源于4000张菌丝图像和4500张孢子图像）用于通过灵敏度、精确率和F1分数评估图像级检测。数据集1针对YOLO系列和DETR进行人工标注；数据集2（未标注）作为CNN系列的基准。数据集3（来自1730例患者的1870份标本）用于通过混淆矩阵分析评估YOLO系列和DETR模型的样本级性能，并以医疗记录作为参考标准。表现最佳的模型经优化后部署至在线辅助诊断平台，用于实时临床决策支持。结果 YOLOv11优于所有其他评估架构。400×放大倍数下的检测通常优于200×。值得注意的是，YOLOv11检测菌丝的F1分数从90.42%（200×）提高至92.06%（400×）。所有模型对孢子的检测准确率均高于菌丝。患者级混淆矩阵分析证实了YOLOv11的优越性。在优化交并比（IoU）阈值为0.25并采用最大置信度（Cmax）策略后，200×菌丝F1升至97.84%，阳性预测值（PPV）升至98.27%。亚组分析显示其在不同疾病中性能稳健，其中头癣达到最高F1分数（98.53%）。结论 优化后的YOLOv11模型展现出作为浅部真菌感染中真菌结构显微镜检测快速、标准化支持工具的潜力。将其整合至在线辅助诊断平台，证明了实时AI辅助真菌检测的可行性，为支持临床决策提供了标准化工具。本研究支持AI作为临床与实验室专业知识的潜在补充，但仍需在前瞻性及多中心环境中进一步验证，并凸显了其潜