深度学习在真菌荧光图像中菌丝与孢子智能识别中的应用研究

本研究针对临床真菌诊断中人工镜检效率低、误诊率高的问题，开发了基于YOLOX和MobileNet V2的双模型深度学习框架，实现了荧光图像中菌丝、孢子及菌丝体的自动化检测。该模型与医生评估的一致性达92.5%（Kappa=0.857），显著提升了诊断效率，为真菌感染快速筛查提供了AI解决方案。

　　

真菌感染已成为全球公共卫生挑战，特别是侵袭性真菌病(IFDs)的死亡率在过去20年持续攀升。然而传统诊断依赖显微镜检，不仅耗时费力，更因临床医生经验差异导致误诊风险。荧光染色技术虽能增强真菌形态辨识度，但基层医院仍面临专业人才短缺的困境。

针对这一临床痛点，复旦大学附属华山医院皮肤科联合SODA数据技术公司的研究团队在《Scientific Reports》发表创新成果。研究人员开发了集成YOLOX目标检测和MobileNet V2分类的双模型AI系统，首次实现对荧光图像中三种真菌形态（分散孢子、单根菌丝及复杂菌丝体）的同步识别。

关键技术包括：1）采用942张临床荧光图像构建数据集，由资深医生标注孢子/菌丝边界框及菌丝体区域；2）YOLOX-L模型检测离散真菌结构，MobileNet V2通过图像分块策略识别菌丝体；3）通过混合数据增强和正则化技术提升模型泛化能力。

研究结果显示：
YOLOX模型性能 在IoU阈值为0.1时，菌丝检测精确度达85%（F1-score=0.88），孢子检测为77%（F1-score=0.81）。

临床一致性验证 三位医生间判读一致性F1-score为80-90%，AI模型与医生的一致性达同等水平。对于荧光强度弱或目标交叠的复杂样本，AI与人工判读均存在挑战。

菌丝体识别突破 MobileNet V2对菌丝体的召回率高达100%，精确度83%。

集成系统效能 双模型联合分析的总体精确度92.5%，召回率99.3%，Kappa值0.857，显著优于单一模型。

该研究开创性地将目标检测与分类模型结合，解决了传统方法对菌丝体识别的技术瓶颈。其临床价值体现在：1）将单样本分析时间从人工镜检的15-20分钟缩短至秒级；2）降低基层医院对专家经验的依赖；3）为数字化真菌诊断系统开发提供范式。未来可通过扩充多中心数据和引入Transformer架构进一步提升模型性能。