機器學習加速瘧疾診斷，為醫生節省85％時間

2018年秋季其中一位Insight研究員Carlos Atico Ariza，開發了一個名為瘧疾英雄的網頁應用程式，可以用來分析以及診斷瘧疾患者的血液顯微鏡圖像，而這個應用能大幅縮減診所醫生85％的勞動時間。

在許多國家，蚊子不僅僅是煩人的昆蟲，更是傳播瘧疾的病媒，每年全球有2億人遭瘧疾寄生蟲感染，其中有40萬人會死亡，而篩檢瘧疾的方法因為很複雜，讓這情況雪上加霜。以顯微鏡檢查血液抹片是最主要檢查瘧疾的方法，將患者的血液染色抹在玻片上，用顯微鏡尋找紅血球中的寄生蟲，根據世界衛生組織的規範，篩檢要由一位受過訓練的的醫生執行，檢查20個放大100倍的顯微鏡視野，計算5,000個紅血球尋找寄生蟲。

而且患者血液也並非檢驗一次，沒有發現寄生蟲就安全了，因為遺漏任何一個寄生蟲都可能致命。在沒有發現寄生蟲的情況下，每8小時要重新進行一次血液抹片篩檢，仔細數過5,000個紅血球，這個程序需要重複三遍，才能確定患者體內寄生蟲已經被完全清除。整個繁瑣的流程是為了要最大程度的減少可能導致死亡的錯誤診斷（False Negatives）。

這個繁瑣的流程，為診所人員大來龐大的工作壓力，尤其是在瘧疾爆發的地方，因此Carlos Atico Ariza決定要以影像分析以及機器學習來減輕醫生的負擔，並幫助醫生決定患者處理的優先順序。Carlos Atico Ariza提到，這個篩檢工具必須能減少錯誤診斷的情形，才能真正降低醫生的時間。

Carlos Atico Ariza找到了一個開源資料集，其中包含27,558個單一細胞圖像，感染與未感染細胞各半，這些細胞來自200個病患，其中四分之三患有瘧疾。Carlos Atico Ariza表示，這些資料集因為都使用手機拍照，並非專業攝影器材拍攝，因此很適合他設定瘧疾英雄的使用情境。

在系統建置初期，先以實現簡單的機器學習模型為目標，設計能指示細胞顏色、面積、凸度和圓度的特徵，檢測寄生蟲在細胞中是否可見。寄生蟲的顏色會因細胞質而不同，Carlos Atico Ariza使用BLOB檢測，來辨識像素群組與周圍的像素不同的強度，他一個細胞中應用了多個BLOB檢測，因為一個細胞可能可以找到多隻寄生蟲。

不過，BLOB檢測有其缺點，在細胞的邊緣效果很差，且由於有一些寄生蟲沒有被顯影劑徹底染色，細胞跟寄生蟲顏色太相近，導致BLOB檢測效果不佳，部分受感染細胞的特徵無法被良好的找出來。

為了解決這個問題，Carlos Atico Ariza最後選擇了卷積神經網路作為服務的後端，他為每個圖像生成2,048個特徵，然後使用PCA和訓練的機器學習分類器降至100個維度，並通過3次交叉驗證、測試和比較四種機器學習分類器後，獲得比BLOB檢測更好的結果。

醫生可以使用手機拍攝顯微鏡中的紅血球視野圖像，並上傳到瘧疾英雄服務，系統會自動計數並分類細胞圖像，Carlos Atico Ariza提到，在檢驗瘧疾的流程中採用瘧疾英雄服務，可以節省醫生大約85％的時間，而這代表醫生每月可以診斷1,400名瘧疾患者。而且根據產生的結果，醫生可以依感染程度排序病患的優先處理順序，對嚴重的病人先進行治療。

由於用於訓練瘧疾英雄服務模型的圖片資料集，也是使用行動裝置拍攝，因此對於四處行醫的醫生或是醫療資源有限的地區，都能提供低成本的瘧疾篩檢服務。Carlos Atico Ariza表示，用顯微鏡診斷瘧疾是一種技能，在缺乏經驗的情況下容易出錯，瘧疾英雄服務可以降低出錯率，並且藉由使用者上傳的紅血球圖片，也供其他醫生作為參考。