人工智能辅助粪便湿片镜检检测胃肠道寄生虫的验证研究

本研究成功开发并验证了一种基于人工智能（AI）的粪便湿片镜检模型，该模型在检测胃肠道寄生虫方面表现出卓越的准确性、高灵敏度和良好的精密度。研究显示，该AI模型不仅与传统镜检结果高度一致，甚至能发现更多被标准镜检漏诊的寄生虫，显著提升了诊断效能（O&P检查），为应对全球范围内专业寄生虫形态学检验人员短缺的挑战提供了高效、可靠的自动化筛查解决方案。

　　

引言

粪便的卵与寄生虫（O&P）检查是诊断胃肠道寄生虫感染的金标准，但其过程高度依赖人工镜检， labor-intensive 且对检验人员的专业技能要求极高。全球范围内，经验丰富的寄生虫形态学检验人员日益短缺，这为维持高质量的O&P检查带来了巨大挑战。此前，人工智能（AI）技术已在粪便标本的 trichrome 染色涂片检测中展现出巨大潜力，能够显著改善工作流程和灵敏度。然而，O&P检查的另一重要组成部分——湿片镜检（wet mount）——目前仍主要依赖人工操作。在许多地区，甚至仅进行湿片检查。因此，开发一种能够对液态粪便中的寄生虫进行灵敏筛查的AI工具，在全球市场具有迫切需求。本研究旨在开发并验证一种能够灵敏筛查胃肠道（GI）寄生虫的AI模型，其设计理念是优先优化灵敏度而非虫种特异性，旨在作为一种高效的筛查工具，辅助医学微生物学家进行最终判读。

材料与方法

标本与数据集

本研究采用了大规模、多样化的粪便标本集合。训练集、留出集和验证集均使用独特的标本，确保无重叠。标本来源具有全球多样性，涵盖了不同地理区域、文化和饮食习惯的患者，并使用了世界各地常规采用的不同固定剂（如10%福尔马林、SAF、MIF等）和浓缩方法（如甲醛-乙酸乙酯沉淀法、Mini-Parasep^? SF）。这种多样性确保了训练数据背景的丰富性，增强了模型的泛化能力。训练数据还通过使用多台商业扫描仪进行数字化扫描，进一步增加了数据的多样性，使得模型能够适配市场上多种不同的扫描仪。

AI模型开发

AI模型基于YOLOv3架构进行开发。训练过程使用了来自ImageNet和COCO数据集的预训练权重，并采用了标准的数据增强技术（如旋转、缩放、颜色调整）来提升模型的鲁棒性。模型被训练用于检测所有常规的胃肠道原虫和蠕虫寄生虫，包括一些通常需要特殊染色（如改良抗酸染色、改良沙黄染色）才能可靠检测的病原体，例如球虫（coccidia）、圆孢子虫（Cyclospora）和等孢子虫（Cystoisospora）。

验证研究设计

验证研究旨在评估AI模型的准确性、精密度和检测限（LoD）。准确性通过与标准镜检结果进行比较来评估。精密度通过检测同一阴性标本和两份分别含有带绦虫（Taenia）或贾第鞭毛虫（Giardia）的阳性标本来确定，计算批内和批间精密度。相对检测限通过将一份含有大肠内阿米巴（Entamoeba coli）、鞭虫（Trichuris trichiura）、蛔虫（Ascaris lumbricoides）和钩虫（hookworm）的混合阳性标本进行系列稀释，并比较AI模型与不同经验水平（8年、<1年、3.5-4年）的检验人员在各个稀释度下的检测能力。

结果

准确性，初始分析

在初始分析中，AI模型在检测已知阳性标本中的预期（主要）寄生虫方面表现出色。在验证集（114份标本）中，AI模型检测到了265个预期生物体中的250个，总阳性符合率为94.3%。对于大多数寄生虫类别，如蓝氏贾第鞭毛虫（Giardia duodenalis）、人蛔虫（A. lumbricoides）、钩虫/毛圆线虫（hookworm/Trichostrongylus）、带绦虫（Taenia）等，阳性符合率达到100%。然而，对于某些虫种，如人蛔虫（90%）、鞭虫（80%）、类类圆线虫（Strongyloides, 90%）和日本血吸虫（Schistosoma japonicum, 50%），初始符合率未达到90%的目标。阴性符合率总体为94%。

准确性，差异分析后的“确定真实性”

差异分析揭示了许多先前未知的阳性寄生虫，以及在后续分析中识别出的额外假阳性结果。在103次扫描中检测到了至少一个意料之外的生物体需要人工确认，其中84次（81.6%）至少有一个额外生物体通过人工镜检或图像分析得到确认，从而确立了“确定真实性”。在根据差异分析标准确定真实性后，真实阳性标本的总数增加了近一倍（从初始的265个增加到确定的477个）。经过差异分析后，多个类别的真实阳性标本数量达到20个或以上，包括：芽囊原虫（Blastocystis）、贾第鞭毛虫（Giardia）、微小内蜒阿米巴（Entamoeba nana）、内阿米巴属（Entamoeba sp.）、布氏嗜碘阿米巴（Iodamoeba buetschlii）、鞭虫（Trichuris）、钩虫/毛圆线虫以及杂项小型原虫。只有迈氏唇鞭毛虫（Chilomastix mesnili）在差异分析后未能达到>90%的阳性符合率（81%，13/16）。所有生物体的总阳性符合率为98.9%（472/477）。经过差异分析，AI模型比初始准确性结果多识别出193个真实阳性生物体。所有虫类调整后的阴性准确性均达到90%以上。

精密度-临床微生物学分析

使用一份阴性标本和两份独特的含有带绦虫或贾第鞭毛虫的阳性标本评估了AI模型的精密度。每个阳性生物体和阴性粪便均显示出100%的批内和批间精密度。每次扫描/制备中检测到的生物体总数存在变异，这与粪便标本的异质性预期一致。

检测限

使用含有大肠内阿米巴、鞭虫、蛔虫和钩虫的标本来挑战AI模型与检验人员之间的相对检测限。

• •
  大肠内阿米巴：软件持续检测到1:64稀释度，而检验人员有把握地检测到1:4至1:8稀释度。软件检测到的物体数量远多于检验人员。
• •
  鞭虫：软件在1:8稀释度下一致检测到，在系列A中在1:64和1:256稀释度下有额外检测。检验人员一致在1:2稀释度下检测到，一名检验人员在1:4和1:64稀释度下检测到。
• •
  蛔虫：软件在1:4至1:16稀释度下检测到，系列B在1:256稀释度下检测到一个虫卵。检验人员在1:2至1:8稀释度下检测到，个别检验人员在1:32和1:64稀释度下检测到罕见虫卵。
• •
  钩虫：软件在1:1或1:4稀释度下检测到，系列C在1:64稀释度下检测到一个虫卵。检验人员的检测结果因经验不同而异，甚至有的未在原始标本中检测到。

总体而言，AI模型显示出比人工镜检更好的灵敏度，但其检测性能在不同虫种和不同检验人员之间存在一定变异性。AI模型的表现更具可控性和可重复性。

讨论

本研究成功开发并验证了一种用于辅助固定粪便标本胃肠道寄生虫检测的AI模型，作为全面O&P检查的一部分。该模型在与传统镜检比较中显示出极高的阳性符合率和阴性符合率，并且总体灵敏度更高。差异分析后“确定真实性”的结果表明，AI模型能比“标准镜检真实结果”多检测出近50%的寄生虫，诊断效能提升显著。这意味着整合AI湿片筛查技术可能会比单纯人工镜检更频繁地检测出多寄生虫感染。

该模型的一个显著优势是能够检测以往多数实验室需要特殊染色才能检测的病原体，如球虫、圆孢子虫和等孢子虫。实验室或可因此取消特殊染色，或使用AI模型来增强这些病原体的检测。

迈氏唇鞭毛虫（非致病性）的检测性能未达理想，可能与其体积小、易与背景碎片混淆有关。鉴于 trichrome 染色AI模型对该虫种的优异性能，可通过联合使用 trichrome 染色来弥补。在仅进行湿片检查的地区，未能持续检测出这种非致病性虫种或许是可接受的权衡。

研究中也记录到一些假阴性结果，例如一例已知的类类圆线虫阳性标本，因虫体稀少、退化严重且离焦而未被AI检测出。未来需要增加此类退化虫体的训练数据以提升检测率。另一方面，AI也检测到了多例先前人工镜检未发现的类类圆线虫阳性标本。

相对检测限研究结果与先前的 trichrome 染色AI研究基本一致，表明AI的总体灵敏度优于人工镜检。检验人员间的变异性是实验室固有的局限性，而锁定的AI模型和维护良好的扫描仪则更具可控性和可重复性。值得注意的是，AI模型从未出现未能检测原始标本及其初始稀释度的情况，而这种情况在人工检测中时有发生。

本研究的优势包括使用了迄今为止寄生虫学文献中最大、最全面的标本库，标本来源、固定剂、浓缩方法的全球多样性，以及使用多台扫描仪进行训练，增强了模型的鲁棒性和可移植性。

局限性包括差异分析过程复杂，某些罕见虫种（如日本血吸虫）的阳性标本数量未能达到预设目标。隐孢子虫（Cryptosporidium）因不推荐使用湿片检测而未纳入模型训练。棘头虫（Acanthocephala）因其罕见性及主要通过成虫而非虫卵诊断，也未纳入训练。此外，部分来自其他国家的验证标本，其“标准镜检真实结果”是否进行了全面寄生虫筛查未知。本研究所用扫描仪未扫描全部盖玻片区域，理论上可能导致漏检。验证标本缺乏对应的 trichrome 染色涂片进行全面的结果比较。

结论

本研究展示了一种AI模型的开发和验证，该模型可用于增强固定粪便标本的胃肠道寄生虫检测，作为全面O&P检查的一部分。该模型在一个高度多样化的全球性研究集中显示出比传统镜检更高的诊断效能。AI与人工镜检相比，表现出优异的阳性和阴性符合率，且总体灵敏度更高。目前正在进行前瞻性研究，以评估该技术在实验室整合前后的实时诊断效能，并进行工作流程和成本效益分析。其他使用不同商业扫描仪的研究中心也在进行中，以提供本研究成果性能可移植性的证据。这项技术有望帮助实验室应对专业人才短缺的挑战，提高寄生虫检测的准确性和效率。