基于深度学习技术的湖北钉螺视觉智能识别模型效能评价

目的 探讨基于深度学习技术建立日本血吸虫中间宿主湖北钉螺视觉智能识别模型并评价其分类识别效能.方法 2019年3月-2020年10月,根据江苏省湖沼型、山丘型和水网型地区钉螺分布规律,选择南京、镇江、扬州、苏州、常州、无锡和盐城等7个地区为样品采集现场,每个地区随机选择3个钉螺孳生环境采集螺样及螺样图像,由6名血吸虫病防治专家根据图像质量与螺类特征进行筛选、分类后建立螺类图像分类标准数据集,并将该结果作为金标准,建立的数据集按照7:3原则划分为训练集和测试集(分内部和外部测试集).采用MobilenetV2、ResNet50、Inception-ResNet-V2等3种主流卷积神经网络模型在训练集完成模型训练;以分类标准数据集作为金标准,绘制受试者工作特征(ROC)曲线,比较3种模型在内部测试集上的灵敏度、特异性、准确率、诊断一致率(Kappa值)和约登指数;选出最优识别模型再与20名查螺工作人员对外部测试集判断结果进行对比,评价模型在内部测试集和外部测试集中识别钉螺结果的准确性.结果 共采集钉螺和方格短沟蜷、细钻螺、真管螺、拟钉螺等4种与钉螺相似的螺类图像3224幅,经过筛选后,螺类图像分类标准数据集共纳入2719幅图像,涵盖钉螺图像774幅和4种相似螺类的非钉螺图像1945幅.其中,训练集占70.2％(1910/2719),测试集占29.8％ (749/2719).内部测试中,MobilenetV2、ResNet50和Inception-ResNet-V2模型识别钉螺与金标准一致性Kappa值分别为0.78、0.83、0.88;Inception-ResNet-V2模型的灵敏度、特异性、准确率、约登指数和ROC曲线下面积(AUC)均最高,分别为92.00％、97.16％、96.13％、0.89、0.95;3种模型识别的灵敏度和特异性差异无统计学意义(x2=3.892、4.948,P＞ 0.05),准确率差异有统计学意义(x2=8.607,P＜ 0.05).外部测试中,最优模型Inception-ResNet-V2模型识别和工作人员鉴别与金标准一致性较好,Kappa值分别为0.80和0.83,AUC分别为0.88和0.92,差异无统计学意义(P＞0.05).结论 基于深度学习技术的钉螺视觉智能识别模型具有良好的准确性.