Ildottor Eduardo Silva Alvarado, direttore della Fundación Universitaria Iberoamericana (Fondazione Universitaria Iberoamericana, FUNIBER), presso la sua sede in Guatemala, sta collaborando a uno studio che propone una tecnica innovativa per migliorare la qualità della rilevazione della malaria, utilizzando la tecnologia del deep learning.
La malaria è una malattia pericolosa causata dalla puntura di zanzare infette. È infettiva non solo tra gli esseri umani, ma anche tra gli animali. Provoca sintomi lievi come febbre, mal di testa, sudorazione, vomito e disturbi muscolari. I sintomi più gravi includono coma, convulsioni e insufficienza renale.
L’elevato numero di casi di malaria, soprattutto in Africa, nel Sud-Est asiatico e nel Mediterraneo orientale, ha messo a dura prova l’efficacia della rilevazione manuale dei globuli rossi infetti. Il metodo convenzionale per diagnosticare la malattia prevede l’esame deterministico di campioni di sangue al microscopio. Questo approccio può essere impegnativo, a causa della sovrapposizione di cellule in campioni spessi, che può rendere difficile distinguere tra cellule sane e infette.
Per accelerare la diagnosi delle infezioni da malaria, è stato proposto l’uso di fotocamere digitali ad alta risoluzione o di telefoni cellulari per catturare immagini di campioni di sangue. Tuttavia, la qualità delle fotografie scattate con i telefoni cellulari può essere inferiore, rendendo difficile l’interpretazione manuale e l’individuazione della malattia mediante algoritmi di apprendimento automatico.
Per superare queste sfide, è stato implementato l’uso di algoritmi di apprendimento profondo in grado di elaborare rapidamente le immagini e stimare le caratteristiche importanti per la diagnosi e la classificazione della malaria. I metodi di apprendimento automatico, come le macchine vettoriali di supporto, i classificatori Naive Bayes e le reti neurali, hanno dimostrato un’accuratezza di rilevamento delle infezioni compresa tra l’83,5% e l’85%. Tuttavia, il successo di questi algoritmi dipende in larga misura dall’accesso a vettori di caratteristiche ben costruiti e discriminanti estratti da professionisti addestrati.
Pertanto, è stato sviluppato un modello automatizzato ed efficiente basato sul deep learning, utilizzando campioni di globuli rossi. Questo approccio ha raggiunto un elevato punteggio di accuratezza del 97,57% per il rilevamento della malaria. Utilizzando algoritmi di pre-elaborazione veloci e automatizzando l’estrazione delle caratteristiche, è possibile ottenere una diagnosi accurata e affidabile della malattia. L’algoritmo elimina la necessità di estrarre manualmente le caratteristiche, riducendo significativamente il carico di lavoro dei patologi e accelerando il processo diagnostico.
Questo approccio innovativo combina due elementi essenziali: l’analisi delle immagini e gli algoritmi addestrati. Addestrando l’algoritmo con un ampio set di immagini di campioni di sangue, non solo rileva e diagnostica con precisione la malaria, ma valuta anche la gravità della parassitosi. Questa analisi completa va a vantaggio sia dei patologi che dei pazienti, fornendo risultati efficienti, economici e affidabili.
Questa metodologia innovativa offre una soluzione promettente per le regioni con carenza di patologi qualificati. L’implementazione di questo approccio ha il potenziale per rivoluzionare la rilevazione della malaria, portando in ultima analisi a una gestione più efficiente di questo problema sanitario globale.
Per saperne di più su questo studio, cliccare qui.
Per leggere altre ricerche, consultare l’archivio UNEATLANTICO.
La Fondazione Universitaria Iberoamericana (FUNIBER) offre diversi programmi di studio nell’area della salute e della nutrizione. Clicca qui per saperne di più.