Inteligência Artificial com Redes Neurais Convolucionais para Detecção de Microfilárias na Amazônia Brasileira
Bibliographic Data
| ID | 21710450 |
|---|---|
| Authors | João Carlos Silva de Oliveira (0000-0002-0170-3985, Fundação Oswaldo Cruz), Patrícia Moura Sousa (0009-0001-8265-7596, Fundação Oswaldo Cruz), Uziel Ferreira Suwa (0000-0001-6373-1271, Fundação Oswaldo Cruz), Enide Luciana Belmont Montefusco (0000-0002-6196-4204, Universidade Federal do Amazonas), Ulysses Carvalho Barbosa (0000-0003-0262-8769, Universidade Federal do Amazonas), Emanuelle de Sousa Farias (0000-0001-5949-877X, Fundação Oswaldo Cruz), James Lee Crainey (0000-0001-6812-9327, Fundação Oswaldo Cruz) |
| Year | 2026 |
| Volume | 31 |
| Issue | 5 |
| Pages | e01372026-e01372026 |
| Publication date | 2026-01-01 |
| Open Access | Yes |
| Type | ARTICLE |
| Venue | Ciência & Saúde Coletiva (JOURNAL) |
| Journal identifiers | ISSN: 1413-8123 • E-ISSN: 1678-4561 |
| Publisher | FapUNIFESP (SciELO) (PUBLISHER) |
| DOI | 10.1590/1413-81232026315.01372026 |
| PMID | 42385061 |
| OpenAlex | W7166558182 |
| Language | PT |
| References cited | 15 |
A Amazônia apresenta limitações estruturais persistentes para o diagnóstico das filarioses. Este estudo teve como objetivo desenvolver e avaliar um modelo de inteligência artificial baseado em redes neurais convolucionais para classificar imagens microscópicas quanto à presença ou ausência de microfilárias. Trata-se de um estudo tecnológico, quantitativo e aplicado, no qual amostras sanguíneas de 43 cães foram coletadas na zona rural de Manaus, preparadas em lâminas coradas e digitalizadas por webcam acoplada ao microscópio, gerando 500 imagens originais. As imagens foram pré-processadas, organizadas em classes binárias e submetidas a aumento de dados no conjunto de treinamento, resultando em aproximadamente 1.000 instâncias. O ground truth foi definido por avaliação morfológica especializada e confirmação molecular por microdissecação a laser e PCR. O modelo EfficientNetV2-B0, treinado em abordagem patch-based, alcançou acurácia de 93,6%, precisão de 91,8%, sensibilidade de 92,4% e F1-score de 92,1%. O tempo médio de análise por lâmina foi de 104 segundos com a IA, frente a 2.065 segundos na leitura humana, evidenciando ganho expressivo de eficiência e potencial de aplicação na triagem parasitológica e na vigilância epidemiológica
Data collection · Fault (geology) · Process (computing) · AI in cancer detection · Digital Imaging for Blood Diseases · Parasitic Diseases Research and Treatment
| Highly cited | No |
|---|