ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Background The vaginal discharge is a common clinical presentation associated with diverse infectious and microbiota-related conditions. Existing artificial intelligence (AI)-based diagnostic approaches have predominantly focused on detection of individual pathogens and have rarely integrated microbiota-associated conditions within a diagnostic framework. We developed an explainable deep learning framework for automated analysis of Gram-stained vaginal smear images acquired using handheld smartphones or tablets positioned over a conventional light microscope eyepiece. Methods The framework integrates object detection with image-level classification, termed detection-based image classification, to identify diagnostically relevant microscopic structures without requiring exhaustive enumeration of all objects. Five diagnostic categories included vulvovaginal candidiasis (VVC), bacterial vaginosis (BV), trichomoniasis (TV), gonococcal urethritis/cervicitis (GU), and healthy vaginal condition (HL). YOLOv26, RT-DETR and EfficientDet0 were independently trained and evaluated using 1,966 microscopic images comprising 11,069 annotated diagnostic objects. Model explainability and computational benchmarking were assessed. The localization quality was independently evaluated by eight clinicians and microbiologists. Results Class-specific analysis demonstrated that TV and GU consistently achieved the highest detection performance across all models (mAP50 = 0.622–0.752), whereas RT-DETR demonstrated superior performance for VVC, BV, and HL. Expert evaluation showed favorable localization, with Good/Excellent ratings in 84.8 and 85.1% of valid evaluations for YOLOv26 and RT-DETR, respectively, with no significant difference between models (OR = 0.97; 95% CI, 0.58–1.61; p = 0.895). Conclusion This study presents an accurate and clinically interpretable framework that integrates microbiota-associated conditions and sexually transmitted infections for differential diagnosis of vaginal discharge using conventional light microscopy. By linking image-level predictions to localized diagnostic morphology, the framework provides human-verifiable AI evidence as a proof-of-concept prototype. While promising for low-cost implementation, rigorous prospective multi-center validation is required before broad clinical deployment or autonomous diagnosis.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 74/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Advanced Neural Network Applications · AI in cancer detection · Reproductive tract infections research
บทบาทของนักวิจัยและสถาบันไทย
Siriwoot Sookkhee · Marut Wongtapin · Trin Phuriyaphan · Kornkaran Tonpiriyaphong · Nitan Wachirapaet · Surapee Wasanapitanont · Jidapa Joysa · Monsicha Pongpom · Narin Lawan · Phit Upaphong · Tanaporn Wangsanut · Chiang Mai University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง