可解释的机器学习与信号处理技术，用于血吸虫病侧向流动检测的自动化读取与质量控制

《Nature Communications》：Interpretable machine learning and signal processing for automated reading and quality control of lateral flow tests for schistosomiasis

　　

摘要

目前缺乏用于诊断被忽视的热带疾病现场检测结果的自动化流程。在这里，我们提出了一种端到端的自动化流程，用于分析用于血吸虫病的现场循环阴极抗原检测结果。该流程结合了深度学习技术进行卡式试剂盒的分割处理以及信号处理。我们将自动化分类结果与在校准抗原样本上使用侧向流动检测仪获得的定量读数以及由经验丰富的现场技术人员和高级技术人员进行的目视读数进行了比较。该流程在乌干达农村地区的SchistoTrack队列中对3188名受试者进行了评估。我们的自动化分类结果与侧向流动检测仪的结果相当，其敏感性为86.6%，特异性为96.5%；而与高级技术人员的目视读数相比，敏感性更高。对于高抗原浓度的样本，自动化分类仅需在检测准备后5分钟内即可完成。研究表明，通过信号处理可以消除目视读数中的微小不确定性，因此这些微弱信号应被归类为阴性结果。我们的流程将有助于推进诊断技术的发展，以满足世界卫生组织对血吸虫病诊断产品的要求，为其他诊断方法提供定量评估，支持在目标消除地区开展大规模监测，并为引入初级卫生保健机构的诊断设备提供实时质量控制。