基于深度学习的粪便检测方法在肠道寄生虫识别中的性能验证与临床应用评估

本研究针对传统粪便检测方法（如FECT和MIF）在肠道寄生虫感染（IPI）诊断中的局限性，通过开发基于深度学习（YOLOv8-m、DINOv2等）的自动化识别系统，实现了对28种蠕虫和6种原虫的高精度检测（最高准确率98.93%）。研究证明SSL模型DINOv2-large在AUROC（0.97）和Kappa一致性（0.989）上显著优于人工检测，为资源有限地区提供了标准化诊断方案。

　　

在热带地区，每3人中就有1人饱受肠道寄生虫感染的困扰。传统粪便检测依赖显微镜下"人眼识别"，但即使是金标准的福尔马林-乙酸乙酯浓缩技术(FECT)，也会因操作者经验差异导致15%-35%的漏诊率。更棘手的是，原虫包囊（如贾第鞭毛虫G. duodenalis）与细胞碎片的形态相似性，常使基层检验人员陷入"识别困境"。

泰国玛希隆大学热带医学院的研究团队在《Parasites》发表突破性研究，首次系统比较了7种深度学习模型在寄生虫检测中的表现。通过构建包含34类寄生虫（2567张图像）的数据集，发现自监督学习模型DINOv2-large以78%的敏感性和99.57%的特异性超越人类专家水平，尤其对粪类圆线虫(S. stercoralis)幼虫识别达到100%准确率。这项技术使单样本检测时间从传统方法的30分钟缩短至秒级，为消除寄生虫病提供了AI解决方案。

研究采用三大关键技术：

1. 多中心样本处理：采集泰国北部57份粪便样本，通过FECT/MIF双盲检测建立金标准

2. 混合增强数据集：采用旋转（±180°）、对比度调节（0.4-1.1）等增强2054张训练图像

3. 模型验证框架：通过混淆矩阵、ROC曲线和Bland-Altman分析，量化YOLO系列与ResNet-50的性能差异

主要研究结果：

【模型性能突破】

DINOv2-large在AUROC（0.97）和Kappa值（0.989）上展现最强一致性，对蠕虫卵识别优势显著。而YOLOv8-m在混合感染场景下表现突出，如同时识别蛔虫受精卵(ALF)和未受精卵(ALU)的F1值达69.33%。

【形态学挑战】

原虫检测仍是技术难点：贾第鞭毛虫(GID)的识别F1值仅10.53%，因其包囊与白细胞尺寸相近（均约10-12μm）。碘染MIF样本中，结肠内阿米巴(ENC)的假阳性率达31.58%。

【人机协作价值】

Bland-Altman分析显示，AI在钩虫(HKW)检测中存在-0.0845的平均偏差，提示需人工复核。但对肝吸虫(O. viverrini)的识别，DINOv2-large与专家的一致性达94.74%。

这项研究标志着寄生虫诊断进入"智能显微镜"时代。DINOv2-large通过自监督学习突破标注数据瓶颈，其蒸馏模型(distilled model)仅需10%标注量即可达到99%特异性。该技术已集成至CIRA CORE平台，在柬埔寨的现场试验中使检测成本降低72%。未来通过纳入更多罕见虫种（如异形吸虫Heterophyes spp.）数据，有望建成全球寄生虫AI诊断库，实现"一镜扫天下"的终极目标。

研究同时揭示：当图像分辨率<2560×1920像素时，原虫识别准确率下降19.8%，这为下一代智能显微镜的硬件标准提供了关键参数。正如通讯作者Dorn Watthanakulpanich教授强调："这不是替代检验师，而是赋予他们‘数字复眼’——AI将显微镜变成了寄生虫的‘人脸识别系统’。"