MLens: Avançando na detecção, identificação e contagem em tempo real de microparasitas patogênicos por meio de uma interface da Web
Aprendizado de Máquinas, Parasitologia, Detecção de Objetos, Microscopia, YOLOv5.
Neste trabalho, uma coleção diversificada de imagens de mixozoários dos gêneros Henneguya e Myxobolus foi criada, fornecendo um conjunto de dados prático para aplicação em visão computacional. Quatro versões da rede YOLOv5 foram testadas, alcançando uma precisão média de 97,9%, um recall de 96,7% e uma pontuação F1 de 97%, demonstrando a eficácia do MLens na detecção automática desses parasitas. Esses resultados indicam que o aprendizado de máquina tem o potencial de tornar a detecção de microparasitas mais eficiente e menos dependente do trabalho manual em parasitologia. A versão beta do MLens mostra um forte desempenho, e melhorias futuras podem incluir o ajuste fino dos hiperparâmetros do WebApp, a expansão para outros gêneros de mixosporos e o refinamento do modelo para lidar com cenários de microscopia óptica mais complexos. Este trabalho representa um avanço significativo, abrindo novas possibilidades para a aplicação do aprendizado de máquina em parasitologia e acelerando substancialmente a detecção de parasitas.