AIR-LEISH: En datamängd med Giemsa-färgade mikroskopbilder för AI-baserad detektion av Leishmania-amastigoter

Varför små parasiter och smarta kameror spelar roll

Leishmaniasis är en parasitsjukdom som tyst påverkar miljontals människor, främst i låginkomstområden. Läkare och forskare förlitar sig fortfarande i stor utsträckning på att undersöka färgade blod- och vävnadspreparat i mikroskop för att upptäcka parasiten inne i immunceller — en tidskrävande process som kan ta timmar och kräver specialutbildning. Denna artikel presenterar AIR-LEISH, en fritt tillgänglig samling mikroskopbilder avsedd att låta datorer lära sig känna igen dessa parasiter automatiskt, vilket öppnar dörren för snabbare, billigare och mer pålitliga verktyg för diagnostik och läkemedelsforskning.

Från sandflugebett till dolda inkräktare

Leishmaniasis sprids genom bett från infekterade sandflugor och kan orsaka hudsår eller livshotande infektion i inre organ. Parasiten lever och förökar sig inne i vita blodkroppar kallade makrofager, och gömmer sig i en liten rund form som kallas amastigot. För att följa hur sjuk en patient är eller hur väl en möjlig behandling fungerar måste forskare räkna hur många parasiter som finns inne i dessa celler. Molekylära laboratorietester kan påvisa parasit-DNA, men i många sjukhus och forskningslaboratorier — särskilt i resurssvaga miljöer — är enkla ljusmikroskop fortfarande huvudmetoden. Att räkna parasiter för hand är dock långsamt, tröttsamt och kan variera mellan observatörer.

Att bygga en träningsuppsättning för artificiell syn

Artificiell intelligens har visat att den kan känna igen mönster i medicinska bilder som är för subtila eller tråkiga för människor att bearbeta i stor skala. Men för att göra detta väl behöver AI-system tusentals noggrant märkta exempel. Fram till nu har sådana bildsamlingar för leishmaniasis varit sällsynta, ofullständiga eller svåra att få tillgång till — särskilt för den kliniskt viktiga amastigotstadiet inne i celler. Författarna skapade AIR-LEISH för att fylla denna klyfta: 180 högupplösta, Giemsa-färgade mikroskopbilder av infekterade humana makrofager, tagna med en vanlig smartphone monterad på ett standardforskningsmikroskop. Varje bild visar celler från en av två infektionsuppsättningar, med olika parasitarter och värdcellstyper, så att ett brett spektrum av realistiska utseenden täcks.

Att omvandla råbilder till betrodd grunddata

För att göra bilderna användbara för datorer måste varje cell och parasit spåras och märkas för hand. En parasitologiexpert markerade först konturerna av individuella makrofager, deras cellkärnor och de små amastigoterna med ett specialiserat annoteringsverktyg. En AI-ingenjör förfinade sedan dessa markeringar pixel för pixel för att säkerställa precisa former och gränser, inklusive små eller överlappande parasiter. Teamet kontrollerade överensstämmelsen mellan annotatörer och fann en mycket hög överenskommelse, vilket indikerar att etiketterna kan betraktas som betrodd grunddata. Totalt inkluderar datamängden 8 140 parasiter, 1 511 värdceller och 1 731 kärnor, tillsammans med separata maskbilder som talar om för en algoritm exakt vilka pixlar som tillhör vilken struktur.

Sätta AI-modeller på prov

För att visa vad AIR-LEISH kan möjliggöra tränade forskarna två allmänt använda bildanalysystem. Ett, kallat U-Net, är utformat för att färglägga varje pixel beroende på om den tillhör bakgrund, parasit, cellkropp eller kärna. Det andra, YOLOv8, ritar rektangulära rutor runt varje objekt det upptäcker och räknar dem. Trots parasiternas lilla storlek och det begränsade antalet bilder klarade sig båda modellerna väl med att hitta och separera parasiter från deras värdceller och nådde höga poäng både vad gäller noggrannhet och pålitlighet. Modellerna lyckades till och med upptäcka en enda infekterad cell bland mer än hundra mestadels rena celler, vilket antyder deras potential att stödja mycket känslig screening i framtiden.

Öppna dörrar för bättre vård och nya läkemedel

Genom att publicera AIR-LEISH öppet på Zenodo-plattformen, tillsammans med kod och detaljerad dokumentation, ger författarna en praktisk grund för många grupper världen över — särskilt de med begränsade resurser — att bygga och jämföra AI-verktyg för leishmaniasis. Eftersom bilderna också inkluderar värdcellerna och deras kärnor kan datamängden stödja bredare studier av cellräkning, infektionsnivåer och även andra patogener som lever inne i liknande immunceller. I enkla termer förvandlar detta arbete timmar av expertmikroskopi till en återanvändbar digital resurs, vilket hjälper till att snabba upp diagnostik, läkemedelsupptäckt och i sista hand kampen mot en försummad men allvarlig sjukdom.

Citering: 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

Nyckelord: leishmaniasis, mikroskopbilder, medicinsk bildbehandling AI, parasitdetektion, diagnos av infektionssjukdomar