《Experimental Parasitology》：A deep learning-based tool for rapid and automated detection of
Cryptosporidium oocysts: A new approach for veterinary diagnostics and epizootiological surveys
编辑推荐：
隐孢子虫病是由隐孢子虫引起的严重影响犊牛健康和畜牧业经济的寄生虫病，快速准确检测卵囊是关键。本研究对比YOLOv10和YOLOv11两种目标检测算法在显微图像中检测隐孢子虫卵囊的性能，发现YOLOv11在精确度（88.94%）上更优，适合诊断确认，而YOLOv10召回率（92.57%）更高，适用于筛查。研究验证了深度学习在标准化诊断、高通量监测和感染动态分析中的应用潜力。
作者：?ima ?ahinduran、?smail K?rba?、Ahmet ?ifci
土耳其布尔杜尔梅赫梅特·阿基夫·埃尔索伊大学兽医学院内科系，15200布尔杜尔，土耳其
摘要
由隐孢子虫（Cryptosporidium）引起的隐孢子虫病是一种重要的动物源性疾病，会影响新生小牛，导致严重腹泻和脱水，并给畜牧业带来巨大经济损失。快速准确地检测隐孢子虫卵囊对于有效管理和控制这种疾病至关重要，这有助于从“同一健康”（One Health）的角度促进动物和人类的健康。本研究探讨了使用最先进的物体检测算法YOLOv10和YOLOv11来自动识别小牛粪便样本显微镜图像中的隐孢子虫卵囊的方法。研究使用了包含406张标注图像的数据集来训练和评估这些模型，并通过精确度（precision）、召回率（recall）和平均精度（mAP）等指标进行评估。YOLOv11显示出更高的精确度（88.94%），表明其假阳性率较低，这对于避免不必要的治疗以及准确评估流行病学研究中的感染率非常重要。相反，YOLOv10的召回率较高（92.57%），在需要最小化假阴性的筛查任务中表现出较高的敏感性。这些发现凸显了先进物体检测技术作为快速、可扩展且成本效益高的辅助工具在隐孢子虫检测中的潜力。该自动化系统有潜力标准化诊断流程，促进基于显微镜的高通量监测，并提高我们对受感染动物卵囊排泄动态的理解。
引言
隐孢子虫（Cryptosporidium）是一类顶复门原生动物寄生虫，可感染包括人类和家畜在内的多种脊椎动物（Santín和Tront，2008；Ryan等人，2014；Tomazic等人，2018；Hoque等人，2023；Rialch等人，2025）。这些专性细胞内寄生虫经历复杂的生命周期，最终形成具有环境抗性的卵囊，通过受感染个体的粪便排出（Eamsobhana，2004）。在家畜中，尤其是幼年反刍动物中，隐孢子虫（特别是C. parvum）是导致新生儿腹泻的重要原因，这种病症被称为隐孢子虫病（Featherstone等人，2010；Jiménez-Meléndez等人，2023）。由于免疫系统尚未发育完全，小牛特别容易受到感染（Niine等人，2018）。隐孢子虫病的临床表现主要是大量水样腹泻，进而导致脱水、厌食、疲倦和腹痛（Zahedi和Ryan，2020；Rideout等人，2024；Narayan等人，2024）。在严重情况下，该疾病可能导致严重的发病率甚至死亡。
除了对动物健康的直接影响外，隐孢子虫病还对畜牧业造成巨大的经济压力。体重增长减缓、治疗成本增加以及疫情爆发导致的死亡率上升都会造成重大财务损失（Hatam-Nahavandi等人，2019；Santín，2020；Dashti等人，2023；Jiménez-Meléndez等人，2023）。此外，这种疾病还会引发严重的动物福利问题，因为受感染的动物会感到不适、疼痛，生活质量下降（Rideout等人，2024）。因此，及时准确的诊断对于有效管理和减轻疾病的影响至关重要。
目前，有多种诊断方法用于检测隐孢子虫感染（Felefel等人，2023；Akka?等人，2023；Rafiq等人，2024）。传统的光学显微镜检查在粪便涂片经过抗酸染色后仍被广泛使用，尽管这种方法需要丰富的专业知识来区分卵囊和其他大小相似的颗粒。这种主观性往往导致观察者之间的差异较大，不仅影响个体诊断结果，还使不同流行病学研究之间的感染率数据难以比较，从而阻碍了全球范围内的标准化评估。此外，该方法在卵囊排泄量较低的情况下灵敏度较低（Nery Loiola等人，2024），可能导致亚临床感染的漏诊和低估实际疾病负担。手动计数卵囊的工作繁琐且耗时，也限制了大规模感染动态研究或治疗效果的定量评估。
分子方法，如聚合酶链反应（PCR），通过靶向特定的隐孢子虫DNA序列，提供了显著更高的灵敏度和特异性（Xiao，2010）。酶联免疫吸附测定（ELISAs）可以检测隐孢子虫抗原（Timmermans等人，2024；Kaura等人，2024）。然而，这些方法可能耗时较长，需要专门的实验室设备和试剂，在资源有限的情况下成本较高（Nakarmi等人，2024）。因此，亟需快速、准确且成本效益高的诊断工具，以提供标准化的定量数据，克服这些长期存在的限制，并能在实验室和现场环境中轻松应用。
深度学习作为人工智能的一个子领域，已成为图像分析的强大工具，特别是在医学诊断中。卷积神经网络（CNNs）作为一种深度学习算法，已在自动提取复杂图像的相关特征和准确分类方面展现出显著的能力。在寄生虫学领域，深度学习在识别和量化各种寄生虫方面显示出潜力（Li等人，2019；Alok等人，2021；Kundu等人，2024；Lin等人，2024；Boit和Patil，2024）。初步研究探索了使用CNNs检测显微镜图像中的疟原虫（Plasmodium）、弓形虫（Toxoplasma）和蠕虫等寄生虫，证明了这项技术在提高诊断准确性和效率方面的潜力（Ikerionwu等人，2022；Kumar等人，2024；Derbew Molla和Tesfahun Alemu，2024；Busayakanon等人，2024；Kumar和Arif，2025）。在其他球虫寄生虫的相关研究中，深度学习方法已被验证用于卵囊的自动检测和/或物种分类，包括基于CNN的猪球虫检测流程（Singh等人，2025）以及从粪便显微镜图像中识别鸡艾美耳球虫（Eimeria）的深度学习方法（Buyukyilmaz等人，2017）。
YOLO（You Only Look Once）是一系列先进的实时物体检测算法，彻底改变了计算机视觉领域（Redmon等人，2016）。与传统多次处理图像区域的物体检测方法不同，YOLO采用统一架构，通过单个神经网络处理整个图像，同时预测边界框和类别概率。这种方法使YOLO能够在保持高准确性的同时实现出色的检测速度，特别适合需要快速分析大型数据集的应用，例如在显微镜图像中检测隐孢子虫卵囊。在YOLO系列的最新迭代中，YOLOv10引入了重要的架构改进，包括更高效的骨干网络、优化的检测头以及模型量化和冗余计算减少方面的改进。这些进步提高了检测速度和准确性，这对于检测像隐孢子虫卵囊这样的小物体至关重要。同样，YOLOv11在原有基础上进行了进一步优化，如改进的特征提取机制和后处理技术，进一步提升了其在复杂检测任务中的性能。总体而言，YOLOv10和YOLOv11成为医学和生物成像应用中高效且精确的工具。
本研究探讨了使用先进的物体检测算法（特别是YOLOv10和YOLOv11）自动识别显微镜图像中隐孢子虫卵囊的方法。主要目标是开发和严格评估基于YOLOv10和YOLOv11的模型，以准确检测和定位数字化小牛粪便样本中的隐孢子虫卵囊。尽管已有许多研究探讨了隐孢子虫的检测（Widmer等人，2005；Shrestha等人，2020；Loiola等人，2021；Luo等人，2021；Salguero等人，2023；Nakarmi等人，2024），但据我们所知，这是首次将最新的YOLOv10和YOLOv11架构专门应用于小牛粪便显微镜图像中的隐孢子虫检测，扩展了之前使用YOLOv5在其他样本类型和实验环境中的研究。成功开发和验证这样的自动化系统有潜力显著提高隐孢子虫诊断的效率、准确性和可扩展性，从而有助于改进家畜群体的疾病管理和控制策略。
材料与方法
本节概述了本研究中用于评估YOLOv10和YOLOv11模型在显微镜图像中自动检测隐孢子虫卵囊效果的全面方法。图1展示了研究的各个阶段，提供了方法工作流程的可视化表示。
如工作流程图（图1）所示，该方法包括从样本采集到计算分析的七个连续阶段。
结果
评估了YOLOv10和YOLOv11模型在显微镜图像中识别隐孢子虫卵囊的效果，本节详细列出了基于精确度、召回率和mAP分数的相关结果。这些模型在Google Collaboratory上使用Tesla T4 GPU（NVIDIA驱动程序版本535.104.05和CUDA 12.2）进行训练。YOLOv10和YOLOv11模型使用了不同的权重配置（n, m、l和x），分别代表小型、中型、大型和特大型
讨论
在本研究中，我们成功开发并评估了用于自动检测小牛粪便涂片中隐孢子虫卵囊的深度学习模型。我们的发现表明，虽然YOLOv10m配置实现了最高的召回率（92.57%），使其成为高度敏感的筛查工具，但YOLOv11x模型在高精确度（88.94%）和稳健的召回率之间取得了最佳平衡，证明了其作为可靠诊断工具的优越性。
结论
本研究成功展示了YOLOv10和YOLOv11深度学习模型在显微镜图像中小牛粪便样本中自动检测隐孢子虫卵囊的应用。YOLOv11，特别是x配置，表现出更高的精确度，使其成为高度可靠的诊断工具；而YOLOv10模型则具有更高的召回率，表明其适用于高灵敏度筛查。
CRediT作者贡献声明
?ima ?ahinduran：撰写——审稿与编辑、撰写——初稿、验证、数据整理。?smail K?rba?：撰写——审稿与编辑、撰写——初稿、可视化、方法论、研究、数据分析。Ahmet ?ifci：撰写——审稿与编辑、撰写——初稿、可视化、方法论、研究。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。
