AIR-LEISH: Zbiór obrazów mikroskopowych barwionych metodą Giemsy do wykrywania amastigotów Leishmania za pomocą sztucznej inteligencji

Dlaczego drobne pasożyty i inteligentne aparaty mają znaczenie

Leiszmanioza to choroba przenoszona przez pasożyty, która po cichu dotyka miliony ludzi, głównie w regionach o niskich dochodach. Lekarze i badacze wciąż w dużym stopniu polegają na oglądaniu wybarwionych rozmazów krwi i tkanek pod mikroskopem, by dostrzec pasożyta wewnątrz komórek odpornościowych — to żmudny proces, który może zająć godziny i wymaga specjalistycznego przeszkolenia. Niniejszy artykuł przedstawia AIR-LEISH, ogólnodostępną kolekcję obrazów mikroskopowych zaprojektowaną tak, by komputery mogły uczyć się automatycznego rozpoznawania tych pasożytów, otwierając drogę do szybszych, tańszych i bardziej niezawodnych narzędzi diagnostycznych i badań leków.

Od ugryzień meszek do ukrytych najeźdźców

Leiszmanioza jest przenoszona przez ukłucie zakażonych meszek i może powodować zmiany skórne lub zagrażające życiu zakażenie narządów wewnętrznych. Pasożyt żyje i rozmnaża się wewnątrz białych krwinek zwanych makrofagami, ukrywając się w małej, kulistej formie znanej jako amastigota. Aby ocenić, jak bardzo pacjent jest chory lub jak działa potencjalne leczenie, badacze muszą policzyć, ile pasożytów znajduje się wewnątrz tych komórek. Testy molekularne potrafią wykryć DNA pasożyta, ale w wielu szpitalach i laboratoriach badawczych — szczególnie w warunkach ograniczonych zasobów — podstawowym narzędziem pozostaje prosty mikroskop świetlny. Ręczne liczenie pasożytów jest jednak powolne, męczące i podatne na różnice między obserwatorami.

Tworzenie zbioru treningowego dla widzenia maszynowego

Sztuczna inteligencja wykazała, że potrafi dostrzegać wzorce w obrazach medycznych, które są zbyt subtelne lub monotonne, by ludzie mogli je przetwarzać na dużą skalę. Aby jednak robić to dobrze, systemy AI potrzebują tysięcy starannie oznakowanych przykładów. Dotychczas takie zbiory obrazów dla leiszmaniozy były rzadkie, niekompletne lub trudne do pozyskania — zwłaszcza dla klinicznie istotnego stadium amastigoty wewnątrz komórek. Autorzy stworzyli AIR-LEISH, by wypełnić tę lukę: 180 obrazów mikroskopowych o wysokiej rozdzielczości, wybarwionych metodą Giemsy, przedstawiających zakażone ludzkie makrofagi, wykonanych zwykłym smartfonem zamocowanym do standardowego mikroskopu badawczego. Każde zdjęcie przedstawia komórki z jednego z dwóch układów infekcji, używając różnych gatunków pasożyta i typów komórek gospodarza, co obejmuje szerokie spektrum realistycznych wyglądów.

Przekształcanie surowych zdjęć w zaufaną prawdę bazową

Aby obrazy były użyteczne dla komputerów, każda komórka i każdy pasożyt musiały zostać ręcznie obrysowane i oznaczone. Ekspert z dziedziny parazytologii najpierw zaznaczył kontury pojedynczych makrofagów, ich jąder oraz drobnych amastigotów przy użyciu specjalistycznego narzędzia do anotacji. Inżynier AI następnie dopracował te oznaczenia piksel po pikselu, aby zapewnić precyzyjne kształty i granice, w tym małe lub nachodzące na siebie pasożyty. Zespół sprawdził zgodność między anotatorami i odnotował bardzo wysokie porozumienie, co wskazuje, że etykiety można uznać za wiarygodną prawdę bazową. W sumie zestaw danych zawiera 8 140 pasożytów, 1 511 komórek gospodarza i 1 731 jąder, wraz z oddzielnymi obrazami masek, które dokładnie wskazują algorytmowi, które piksele należą do których struktur.

Wystawienie modeli AI na próbę

Aby pokazać, co AIR-LEISH może umożliwić, badacze wytrenowali dwa powszechnie stosowane systemy analizy obrazów. Jeden, nazywany U‑Net, został zaprojektowany do „kolorowania” każdego piksela w zależności od tego, czy należy do tła, pasożyta, ciała komórki czy jądra. Drugi, YOLOv8, rysuje prostokątne ramki wokół wykrytych obiektów i je zlicza. Pomimo niewielkich rozmiarów pasożytów i ograniczonej liczby obrazów, oba modele dobrze radziły sobie z wykrywaniem i rozdzielaniem pasożytów od komórek gospodarza, osiągając wysokie wyniki zarówno pod względem dokładności, jak i niezawodności. Modele zdołały nawet wskazać pojedynczą zakażoną komórkę wśród ponad stu przeważnie czystych komórek, co sugeruje ich potencjał do wspierania bardzo czułego przesiewania w przyszłości.

Otwarcie drzwi do lepszej opieki i nowych terapii

Publikując AIR-LEISH otwarcie na platformie Zenodo, wraz z kodem i szczegółową dokumentacją, autorzy zapewniają praktyczną podstawę dla wielu zespołów na całym świecie — zwłaszcza tych o ograniczonych zasobach — do budowania i porównywania narzędzi AI dla leiszmaniozy. Ponieważ obrazy zawierają także komórki gospodarza i ich jądra, zbiór danych może wspierać szersze badania liczenia komórek, poziomów infekcji, a nawet innych patogenów żyjących wewnątrz podobnych komórek odpornościowych. Mówiąc wprost, ta praca przekształca godziny ekspertowej pracy przy mikroskopie w wielokrotnego użytku zasób cyfrowy, pomagając przyspieszyć diagnostykę, odkrywanie leków i ostatecznie walkę z zaniedbaną, lecz poważną chorobą.

Cytowanie: 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

Słowa kluczowe: leiszmanioza, obrazy mikroskopowe, medyczna sztuczna inteligencja, wykrywanie pasożytów, diagnostyka chorób zakaźnych