《PLOS Pathogens》：An artificial intelligence-powered digital pathology platform to support large-scale deworming programs against soil-transmitted helminthiasis and intestinal schistosomiasis in resource-limited settings
编辑推荐：
为解决显微镜检测效率低、人力负担重、资源匮乏地区诊断困难等问题，研究人员开展了一项针对土壤传播蠕虫病和肠血吸虫病的人工智能数字病理学平台开发与应用研究。该平台集成电子数据采集、全玻片成像扫描、机载AI分析和结果验证软件，在埃塞俄比亚和乌干达的实地部署中，对包含43,919个已验证虫卵的951份Kato-Katz涂片进行了扫描分析。结果表明，AI模型对四种目标寄生虫卵检测的精度、召回率和平均精度均表现优异，用户反馈也肯定了其便携性和易用性。该研究为NTDs大规模监测评估提供了高效的近实时数据获取和质量控制工具，显示出降低技术员负担、提升项目效率的巨大潜力。
在全球许多资源匮乏的热带和亚热带地区，数以亿计的人们，尤其是儿童，正遭受着一类被称为“被忽视的热带病”（Neglected Tropical Diseases, NTDs）的困扰。其中，土壤传播蠕虫病（Soil-Transmitted Helminthiasis, STH）和肠血吸虫病（Intestinal Schistosomiasis, SCH）尤为突出，分别影响着约15亿和2.51亿人。这些寄生虫感染会导致贫血、营养不良、生长发育迟缓，严重损害个体健康与社区发展。世界卫生组织（WHO）已设定了到203年控制甚至消除这些疾病的目标，但一个巨大的障碍横亘在前：缺乏准确、可靠且负担得起的诊断工具。
目前，诊断的金标准是基于显微镜的Kato-Katz（KK）厚涂片法。这种方法虽然成本低廉，但其过程劳动密集型，高度依赖经过培训的技术人员，在感染强度低时灵敏度不足，并且钩虫卵会在短短一小时内退化。更重要的是，在NTDs最流行的资源匮乏地区，熟练技术人员稀缺，而人员成本却占到了监测项目总开支的42%至74%。随着全球驱虫项目从控制发病率转向消除公共卫生问题，对更大规模、更高覆盖度调查的需求与不断上涨的薪资、日益减少的熟练人力形成了尖锐矛盾，进一步推高了运营成本。传统的“人眼+显微镜”模式，在效率、可扩展性和成本效益方面，已难以满足大规模监测与评估（Monitoring and Evaluation, M&E）的需求。于是，一个迫切的疑问产生了：能否利用现代科技，特别是人工智能（AI），为这场对抗寄生虫的战争注入新的、高效的“火力”？
答案就在一项发表于《PLOS Neglected Tropical Diseases》的研究中。一个国际研究团队开发并测试了一个专为资源有限环境设计的人工智能驱动数字病理学（AI-powered Digital Pathology, AI-DP）平台。这个平台并非简单地用机器替代人眼，而是一个集成了电子数据采集、便携式全玻片成像（Whole-Slide Imaging, WSI）扫描仪、机载AI分析和“人类参与循环”（Human-in-the-Loop）结果验证软件的完整工作流解决方案。其核心目标是自动化显微镜筛查过程，为STH和SCH的大规模驱虫项目提供高效、近实时且带有质量保证的数据支持，从而显著减轻技术人员的负担，提升监测项目的整体效率。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，他们基于WHO目标产品简档（Target Product Profile, TPP）和前期经验，设计了集成化、可野外部署的AI-DP平台硬件系统，包括定制化的WSI扫描仪、Slide Manager（用于本地存储和AI处理的服务器单元）等，所有设备集成于一个总重小于32公斤的加固运输箱内，以适配“零基础设施”的野外环境。其次，在埃塞俄比亚和乌干达的NTD流行区，研究人员收集了学龄儿童和社区成员的粪便样本，采用标准的Kato-Katz法制备了951份厚涂片，并利用该平台进行扫描，构建了一个包含43,919个经专家验证的虫卵图像数据集作为模型训练的“金标准”。再者，他们采用了基于深度学习的YOLOv8n目标检测模型，利用五折分组交叉验证策略对该数据集进行训练和评估，以量化AI模型对Ascaris lumbricoides（似蚓蛔线虫）、Trichuris trichiura（毛首鞭形线虫）、钩虫（Hookworm）和Schistosoma mansoni（曼氏血吸虫）这四种寄生虫卵的检测性能。最后，通过让14名来自两国的现场用户在超过30个真实世界场景中使用该平台，并收集其反馈，系统评估了平台的用户体验、可用性以及在实际操作中面临的挑战。
研究结果
AI性能表现
研究共计扫描了951份KK厚涂片，从中提取了8,695个至少含有一个虫卵的视野图像，并经过至少两名寄生虫学家独立验证，构建了包含43,919个虫卵标注的数据集。利用五折交叉验证评估，AI模型在目标水平上表现出优异的检测性能。对于A. lumbricoides，其精度、召回率和平均精度（AP50）分别达到95.4%、91.7%和97.1%；T. trichiura为95.9%、86.7%和94.8%；钩虫为84.6%、86.6%和91.4%；S. mansoni为89.1%、79.1%和89.2%。尽管钩虫的精度和S. mansoni的召回率相对较低，但所有物种的AP50均超过89%，表明模型整体识别能力强劲。将训练好的模型部署在边缘计算设备（如NVIDIA Jetson系列）上，单张图像的平均推理时间在240毫秒到770毫秒之间，能够实现近实时分析。
用户体验
平台在埃塞俄比亚和乌干达的实验室、模拟现场及超过30个真实“零基础设施”野外场景中，由14名用户进行了测试和评估。用户反馈被归纳为五个主题：硬件可用性、电源与便携性、扫描性能、软件与界面、培训与支持。
总体上，用户肯定了平台的便携性和易用性提升，特别是在硬件便携性和软件界面方面。平台能在无电网、无自来水和无网络的极端环境下工作，设备组装和启动扫描可在30分钟内完成。然而，平均每张涂片12.5分钟（经优化后）的扫描时间，仍被视为相较于熟练技术人员平均6.8分钟的人工读片速度的一个限制。用户也指出了一些具体问题，如运输箱略显笨重且外观显眼、扫描仪缺少提手、电缆杂乱、在阳光下屏幕对比度不足、以及依赖柴油发电机供电时出现的电压波动问题等。基于这些反馈，研究团队提出了相应的设计改进建议，例如整合路由器以减少线缆、为扫描仪增加提手、采用锂电电源替代不间断电源（UPS）、开发高对比度屏幕模式等。
研究结论与意义
本研究成功展示了一个专为资源有限环境设计的人工智能数字病理学平台。该平台通过集成电子数据采集、便携式全玻片扫描、机载AI分析和人类验证工作流，为实现土壤传播蠕虫病和肠血吸虫病大规模监测评估的自动化提供了一条切实可行的技术路径。
其重要意义体现在以下几个方面：
- 1.
提升监测效率与数据质量：AI-DP平台能够提供近实时、带有质量控制（通过人类验证）的数据，极大缩短了从样本到结果的时间。自动化分析减少了技术人员繁重的显微镜观察负担，使其能专注于样本制备、结果验证等其他任务，从而有望显著降低占项目成本大头的人员开支。
- 2.
实现极端环境部署：平台专为“零基础设施”环境设计，重量轻、可电池供电、支持离线操作，真正解决了资源匮乏地区诊断工具可及性的核心难题。其模块化、集成化的设计确保了在偏远地区的可操作性和稳定性。
- 3.
协同智能的人机交互模式：采用“人类参与循环”策略，并非完全取代人工，而是将AI作为高效的首轮筛查工具，由技术人员对AI检测结果进行快速验证和校正。这种模式既利用了AI处理大量图像的速度和一致性优势，又保留了人类专家在复杂判断和质量管理上的最终决策权，提高了结果的特异性和可信度。
- 4.
性能表现达到应用门槛：AI模型对主要寄生虫卵的检测精度和召回率均保持在较高水平（多数超过85%），特别是在样本量最大的A. lumbricoides和T. trichiura上表现优异，证明了该技术在实际应用中的可行性。
- 5.
具备可扩展的平台潜力：该平台的硬件和AI训练框架具有模块化和适应性。研究指出，其设计易于扩展至其他基于显微镜诊断的NTDs，如尿路血吸虫病（S. haematobium）、淋巴丝虫病等，甚至可应用于动物健康和环境监测等“一体健康”（One Health）领域，从而拓宽其应用价值，提升成本效益。
当然，研究也指出了当前平台的局限和未来方向。扫描速度仍需进一步提升以完全匹敌或超越人工效率；训练数据中钩虫和S. mansoni虫卵的相对不足影响了模型对这两类目标的表现，需要收集更多样化的数据；用户体验反馈中指出的硬件细节有待优化。最重要的是，本研究侧重于技术平台描述、分析性能验证和用户体验收集，而全面的诊断性能验证（包括与人工显微镜对比的敏感性、特异性、重复性等）、成本效益分析以及在不同现场条件下的可用性正式评估，对于该平台能否被大规模采纳至关重要。作者提到，相关的验证研究协议已经发表，正在埃塞俄比亚和乌干达进行。
总而言之，这项研究标志着在应对被忽视热带病的斗争中，技术创新正从实验室走向田间地头。这个AI-DP平台如同一座桥梁，连接了先进的数字技术与资源匮乏地区的迫切需求，为加速实现WHO 2030年NTDs控制与消除目标，提供了一个强有力的、接地气的工具选项。它的发展历程也凸显了“共同设计”的重要性——只有深入一线，倾听当地技术人员和使用者的声音，才能使技术真正服务于人，解决真实世界中的问题。
