机器学习加速疟疾诊断，为医生节省85％时间

2018年秋季其中一位Insight研究员Carlos Atico Ariza，开发了一个名为疟疾英雄的网页应用程序，可以用来分析以及诊断疟疾患者的血液显微镜图像，而这个应用能大幅缩减诊所医生85％的劳动时间。

在许多国家，蚊子不仅仅是烦人的昆虫，更是传播疟疾的病媒，每年全球有2亿人遭疟疾寄生虫感染，其中有40万人会死亡，而筛检疟疾的方法因为很复杂，让这情况雪上加霜。以显微镜检查血液抹片是最主要检查疟疾的方法，将患者的血液染色抹在玻片上，用显微镜寻找红血球中的寄生虫，根据世界卫生组织的规范，筛检要由一位受过训练的的医生执行，检查20个放大100倍的显微镜视野，计算5,000个红血球寻找寄生虫。

而且患者血液也并非检验一次，没有发现寄生虫就安全了，因为遗漏任何一个寄生虫都可能致命。在没有发现寄生虫的情况下，每8小时要重新进行一次血液抹片筛检，仔细数过5,000个红血球，这个程序需要重复三遍，才能确定患者体内寄生虫已经被完全清除。整个繁琐的流程是为了要最大程度的减少可能导致死亡的错误诊断（False Negatives）。

这个繁琐的流程，为诊所人员大来庞大的工作压力，尤其是在疟疾爆发的地方，因此Carlos Atico Ariza决定要以影像分析以及机器学习来减轻医生的负担，并帮助医生决定患者处理的优先级。Carlos Atico Ariza提到，这个筛检工具必须能减少错误诊断的情形，才能真正降低医生的时间。

Carlos Atico Ariza找到了一个开源资料集，其中包含27,558个单一细胞图像，感染与未感染细胞各半，这些细胞来自200个病患，其中四分之三患有疟疾。Carlos Atico Ariza表示，这些资料集因为都使用手机拍照，并非专业摄影器材拍摄，因此很适合他设定疟疾英雄的使用情境。

在系统建置初期，先以实现简单的机器学习模型为目标，设计能指示细胞颜色、面积、凸度和圆度的特征，检测寄生虫在细胞中是否可见。寄生虫的颜色会因细胞质而不同，Carlos Atico Ariza使用BLOB检测，来辨识像素群组与周围的像素不同的强度，他一个细胞中应用了多个BLOB检测，因为一个细胞可能可以找到多只寄生虫。

不过，BLOB检测有其缺点，在细胞的边缘效果很差，且由于有一些寄生虫没有被显影剂彻底染色，细胞跟寄生虫颜色太相近，导致BLOB检测效果不佳，部分受感染细胞的特征无法被良好的找出来。

为了解决这个问题，Carlos Atico Ariza最后选择了卷积神经网络作为服务的后端，他为每个图像生成2,048个特征，然后使用PCA和训练的机器学习分类器降至100个维度，并通过3次交叉验证、测试和比较四种机器学习分类器后，获得比BLOB检测更好的结果。

医生可以使用手机拍摄显微镜中的红血球视野图像，并上传到疟疾英雄服务，系统会自动计数并分类细胞图像，Carlos Atico Ariza提到，在检验疟疾的流程中采用疟疾英雄服务，可以节省医生大约85％的时间，而这代表医生每月可以诊断1,400名疟疾患者。而且根据产生的结果，医生可以依感染程度排序病患的优先处理顺序，对严重的病人先进行治疗。

由于用于训练疟疾英雄服务模型的图片资料集，也是使用行动装置拍摄，因此对于四处行医的医生或是医疗资源有限的地区，都能提供低成本的疟疾筛检服务。Carlos Atico Ariza表示，用显微镜诊断疟疾是一种技能，在缺乏经验的情况下容易出错，疟疾英雄服务可以降低出错率，并且借由使用者上传的红血球图片，也供其他医生作为参考。