基于YOLO目标检测模型的显微镜图像蠕虫自动实时检测与分类研究

《Parasitology Research》：Automated detection of soil transmitted helminthes and schistosomiasis using yolo based deep learning models

　　摘要土壤传播的蠕虫（STHs）和血吸虫病在热带和资源受限地区仍是主要的公共卫生问题，亟需准确及时的诊断方法以实现有效治疗和控制。然而，传统的寄生虫卵显微镜检查耗时费力，且依赖专家判读，容易引入变异性和诊断错误。为应对这些挑战，本研究提出基于YOLO目标检测模型的实时深度学习寄生虫检测与分类方法，用于显微镜图像的自动化分析。具体而言，评估了YOLOv11和YOLOv12架构在不同规模模型变体（Nano、Small和Medium）下的性能，以权衡检测准确率、推理速度和计算效率。本研究使用来自埃塞俄比亚健康研究所的1713张自定义标注图像构建数据集，包含四种临床相关寄生虫类别（蛔虫、钩虫、血吸虫和鞭虫），用于独立训练、验证和测试。模型性能通过目标检测标准指标进行评估，包括平均精度均值（mAP）、每秒帧数（FPS）和十亿次浮点运算（GFLOPs）。同时采用5折交叉验证和统计显著性分析（p < 0.05）确保结果稳健性和可重复性。实验结果表明，YOLOv12m实现了最高检测性能（mAP@0.5 = 94% ± 0.1%）和mAP@0.5–0.95达67.4% ± 0.3%，而YOLOv11m获得最高召回率88.6% ± 0.4%，表明更少的漏检。相比之下，YOLOv12n以6.3 GFLOPs的最低计算成本实现159 FPS的推理速度，但灵敏度有所降低。这些发现验证了YOLO模型在可扩展、实时寄生虫检测中的有效性，并为资源受限医疗环境的部署提供了实践指导。