ترجمه فارسی مقاله عملکرد مدل های یادگیری عمیق در پیش بینی امتیاز نوجنت برای تشخیص واژینوز باکتریایی

چکیده

The Nugent score is a commonly used tool for diagnosing bacterial vaginosis; however, its accuracy depends on the skills of laboratory technicians. We aimed to evaluate the performance of deep learning models in predicting the Nugent score, with the goal of improving diagnostic consistency and accuracy. A total of 1,510 vaginal images collected from a hospital in Japan between 2021 and 2023 were assessed. Each image was annotated by laboratory technicians into one of four categories based on the Nugent score—normal vaginal flora, absence of vaginal flora, altered vaginal flora, or bacterial vaginosis. Deep learning models were developed to predict these categories, and their performance was evaluated by comparing the predicted scores with technician annotations. A high magnification model was further optimized and evaluated using an independent test set of 106 images to assess its performance relative to that of the technicians. The deep learning models demonstrated an accuracy of 84% at low magnification and 89% at high magnification in predicting the Nugent score categories. After optimization, the high magnification model achieved 94% accuracy, surpassing the average 92% accuracy of the technicians. The agreement between deep learning model predictions and technician annotations was 92% for normal vaginal flora, 100% for absence of vaginal flora, 91% for altered vaginal flora, and 100% for bacterial vaginosis. The deep learning models demonstrated accuracy comparable to that of laboratory technicians, which indicates their potential utility in improving the diagnostic accuracy of bacterial vaginosis.

چکیده به فارسی (ترجمه ماشینی)

نمره Nugent ابزاری متداول برای تشخیص واژینوز باکتریایی است.با این حال ، صحت آن به مهارت تکنسین های آزمایشگاهی بستگی دارد.ما با هدف ارزیابی عملکرد مدل های یادگیری عمیق در پیش بینی نمره Nugent ، با هدف بهبود قوام و دقت تشخیصی.در مجموع 1،510 تصویر واژن جمع آوری شده از بیمارستان در ژاپن بین سالهای 2021 و 2023 مورد بررسی قرار گرفت.هر تصویر توسط تکنسین های آزمایشگاهی به یکی از چهار دسته بر اساس نمره nugent – فلور طبیعی واژن ، عدم وجود فلور واژن ، فلور واژن تغییر یافته یا واژینوز باکتریایی حاشیه نویسی شد.مدل های یادگیری عمیق برای پیش بینی این دسته ها توسعه داده شد و عملکرد آنها با مقایسه نمرات پیش بینی شده با حاشیه نویسی تکنسین مورد بررسی قرار گرفت.یک مدل بزرگنمایی بالا با استفاده از یک مجموعه تست مستقل از 106 تصویر بهینه سازی و ارزیابی شد تا عملکرد آن نسبت به تکنسین ها ارزیابی شود.مدل های یادگیری عمیق دقت 84 ٪ را در بزرگنمایی کم و 89 ٪ در بزرگنمایی بالا در پیش بینی دسته های نمره Nugent نشان داد.پس از بهینه سازی ، مدل بزرگنمایی بالا به دقت 94 ٪ دست یافت و از میانگین دقت 92 ٪ تکنسین ها پیشی گرفت.توافق بین پیش بینی های مدل یادگیری عمیق و حاشیه نویسی تکنسین 92 ٪ برای فلور طبیعی واژن ، 100 ٪ به دلیل عدم وجود فلور واژن ، 91 ٪ برای فلور واژن تغییر یافته و 100 ٪ برای واژنز باکتریایی بود.مدل های یادگیری عمیق دقت را با تکنسین های آزمایشگاهی نشان می دهد ، که نشان دهنده ابزار بالقوه آنها در بهبود دقت تشخیصی واژینوز باکتریایی است.