AIR-LEISH: Een dataset van Giemsa-gefärbde microscoopbeelden voor AI‑gebaseerde detectie van Leishmania‑amastigoten

Waarom kleine parasieten en slimme camera’s ertoe doen

Leishmaniasis is een door parasieten overgedragen ziekte die stilletjes miljoenen mensen treft, vooral in lage‑inkomensregio’s. Artsen en onderzoekers zijn nog steeds sterk afhankelijk van het bekijken van gekleurde bloed- en weefselsmeersels onder de microscoop om de parasiet in immuuncellen te zien — een arbeidsintensief proces dat uren kan duren en gespecialiseerde training vereist. Dit artikel introduceert AIR-LEISH, een vrij beschikbare verzameling microscoopbeelden die computers laat leren deze parasieten automatisch te herkennen, en zo de weg opent naar snellere, goedkopere en betrouwbaardere hulpmiddelen voor diagnose en geneesmiddelenonderzoek.

Van zandvliegbeet tot verborgen indringers

Leishmaniasis wordt overgedragen door de beet van geïnfecteerde zandvliegen en kan huidzweren veroorzaken of levensbedreigende infecties van inwendige organen. De parasiet leeft en vermenigvuldigt zich binnen witte bloedcellen genaamd macrofagen, en verschuilt zich in een kleine ronde vorm die bekendstaat als amastigote. Om te bepalen hoe ernstig een patiënt ziek is of hoe goed een potentiële behandeling werkt, moeten onderzoekers tellen hoeveel parasieten in deze cellen zitten. Moleculaire labtests kunnen parasiet-DNA detecteren, maar in veel ziekenhuizen en laboratoria — vooral in omgevingen met beperkte middelen — blijven eenvoudige lichtmicroscopen de norm. Parasieten met het blote oog tellen is echter traag, vermoeiend en kan per waarnemer verschillen.

Een trainingsset bouwen voor kunstmatige visie

Kunstmatige intelligentie heeft laten zien dat het patronen in medische beelden kan herkennen die voor mensen te subtiel of te saai zijn om op grote schaal te verwerken. Maar om dit goed te doen hebben AI‑systemen duizenden zorgvuldig gelabelde voorbeelden nodig. Tot nu toe waren dergelijke beeldcollecties voor leishmaniasis schaars, onvolledig of moeilijk toegankelijk — vooral voor de klinisch belangrijke amastigotenfase binnen cellen. De auteurs hebben AIR-LEISH gemaakt om deze leemte te vullen: 180 hoge‑resolutie, Giemsa‑gekleurde microscoopbeelden van geïnfecteerde menselijke macrofagen, vastgelegd met een gewone smartphone gemonteerd op een standaard onderzoeks-microscoop. Elke foto toont cellen uit een van twee infectieopstellingen, met verschillende parasietsoorten en gastheerceltypes, zodat een breed scala aan realistische verschijningsvormen wordt gedekt.

Ruwe foto’s omzetten in betrouwbare grondwaarheid

Om de beelden bruikbaar te maken voor computers moest elke cel en parasiet met de hand worden omcirkeld en gelabeld. Een parasitologie-expert markeerde eerst de contouren van individuele macrofagen, hun kernen en de kleine amastigoten met een gespecialiseerd annotatiehulpmiddel. Een AI‑ingenieur verfijnde deze aanduidingen vervolgens pixel voor pixel om nauwkeurige vormen en grenzen te waarborgen, inclusief kleine of overlappende parasieten. Het team controleerde de consistentie tussen annotatoren en vond een zeer hoge overeenstemming, wat aangeeft dat de labels als grondwaarheid vertrouwd kunnen worden. In totaal bevat de dataset 8.140 parasieten, 1.511 gastheercellen en 1.731 kernen, samen met afzonderlijke maskeringsbeelden die een algoritme precies vertellen welke pixels bij welke structuur horen.

AI‑modellen op de proef stellen

Om te laten zien wat AIR-LEISH mogelijk maakt, trainden de onderzoekers twee veelgebruikte beeldanalysetools. De ene, U‑Net genaamd, is ontworpen om elke pixel te kleuren op basis van of die tot achtergrond, parasiet, cellichaam of kern behoort. De andere, YOLOv8, tekent rechthoekige vakken rond elk object dat het detecteert en telt ze. Ondanks de kleine omvang van de parasieten en het beperkte aantal beelden presteerden beide modellen goed in het vinden en scheiden van parasieten van hun gastheercellen, met hoge scores voor zowel nauwkeurigheid als betrouwbaarheid. De modellen wisten zelfs één geïnfecteerde cel te vinden tussen meer dan honderd meestal schone cellen, wat wijst op hun potentieel om in de toekomst zeer gevoelige screenings te ondersteunen.

Deuren openen voor betere zorg en nieuwe geneesmiddelen

Door AIR-LEISH openlijk beschikbaar te stellen op het Zenodo‑platform, samen met code en gedetailleerde documentatie, bieden de auteurs een praktische basis voor veel groepen wereldwijd — vooral die met beperkte middelen — om AI‑hulpmiddelen voor leishmaniasis te bouwen en te vergelijken. Omdat de beelden ook de gastheercellen en hun kernen bevatten, kan de dataset bredere studies ondersteunen naar cel­telling, infectieniveaus en zelfs andere pathogenen die in vergelijkbare immuuncellen leven. Eenvoudig gezegd verandert dit werk uren van deskundig microscoopwerk in een herbruikbare digitale bron, waarmee diagnostiek, geneesmiddelenontwikkeling en uiteindelijk de strijd tegen een verwaarloosde maar ernstige ziekte worden versneld.

Bronvermelding: Oualha, R., Fekih-Romdhane, N., Driss, D. et al. AIR-LEISH: A Dataset of Giemsa-Stained Microscopy Images for AI-based Leishmania amastigotes Detection. Sci Data 13, 328 (2026). https://doi.org/10.1038/s41597-026-06676-8

Trefwoorden: leishmaniasis, microscoopbeelden, medische beeldvorming AI, parasietdetectie, diagnose van infectieziekten