编辑推荐：
皮肤利什曼病（CL）传统诊断方法存在局限，为提升诊断效率和精度，研究人员基于人工智能（AI）和计算机视觉（CV）技术开展研究。他们利用 YOLO 8 模型检测利什曼原虫，结果显示该模型在检测中的准确率达 97%，为临床应用和研究开辟新道路。
皮肤利什曼病（Cutaneous leishmaniasis，CL）是一种由利什曼原虫属（Leishmania）的原生动物寄生虫引起的寄生虫病。这种疾病历史悠久，可追溯到古埃及和希腊时期。如今，它在全球 90 多个国家流行，主要集中在热带和亚热带地区。每年全球有 70 - 100 万新发病例，阿尔及利亚是地中海盆地周边受影响最严重的国家，每年新增 10000 例病例。
CL 主要通过感染的沙蝇叮咬传播给人类，贫穷、营养不良、人口流动、森林砍伐和气候变化等都是诱发疾病的风险因素。CL 的临床表现多样，主要症状为皮肤溃疡，不同的利什曼原虫种类会导致不同的症状，如利什曼原虫（Leishmania）major 常引起多个湿润性病变和明显疤痕，利什曼原虫（Leishmania）Tropica 导致更干燥且通常为单个的病变，利什曼原虫（Leishmania）braziliensis 可引发皮肤黏膜型并伴有严重组织破坏。
目前，CL 的诊断主要依赖传统方法，如皮肤涂片显微镜检查、寄生虫培养等。然而，这些方法存在诸多弊端，敏感性不稳定，诊断结果高度依赖操作人员经验，获取准确诊断结果的时间长，误诊风险高，这可能导致患者治疗延误，并发症增多。因此，开发一种更高效、准确的诊断方法迫在眉睫。
为解决上述问题，阿尔及利亚巴斯德研究所（Pasteur Institute）的研究人员开展了一项研究。他们利用深度学习模型 YOLO 8，通过分析显微镜图像来检测利什曼原虫寄生虫体。研究人员使用在阿尔及利亚巴斯德研究所米西拉附属机构收集的显微镜图像对模型进行训练，并将该模型应用于移动应用程序中以验证其性能。
在这项研究中，研究人员运用了深度学习（Deep Learning）和计算机视觉（Computer Vision，CV）技术。他们收集了确诊的 CL 病例数据集，对图像进行预处理和注释，以此训练和评估 YOLO 8 模型。
研究结果如下：
- 数据分割：为确保 YOLO 8 模型评估的可靠性和客观性，研究人员将数据集进行分割，为后续研究奠定基础。
- 模型训练与结果：YOLO v8 应用于显微镜图像中利什曼原虫寄生虫体的检测，在整个测试数据集上获得了高达 97% 的准确率，这一结果充分展示了该模型在检测利什曼原虫方面的强大能力。
- 模型可视化与工具实现：研究人员对模型检测结果进行可视化处理，并将模型应用到实际工具中，进一步验证了模型的可用性。
- 性能对比：研究人员将 YOLO v8 模型与其他利什曼原虫寄生虫检测模型进行对比，结果表明 YOLO v8 算法在检测利什曼原虫寄生虫方面具有显著优势，在速度、准确性、精度和适应性等方面表现出色。
综上所述，本研究证明了基于人工智能的目标检测模型，尤其是 YOLOv8，在准确检测显微镜图像中的利什曼原虫寄生虫方面具有巨大潜力。该研究成果为 CL 的临床诊断提供了新的方法和工具，有望提高诊断效率和准确性，减少误诊风险，为患者的及时治疗提供有力支持。同时，也为该领域的进一步研究开辟了新的方向，推动了皮肤利什曼病诊断技术的发展，在《Computers in Biology and Medicine》发表，对生命科学和健康医学领域具有重要意义。
