SISTEMA INTEGRADO PARA DIAGNÓSTICO AUTOMATIZADO DA LEISHMANIOSE VISCERAL EM IMAGENS MICROSCÓPICAS

Abstract

RESUMO: A Leishmaniose Visceral (LV) é uma doença infecciosa grave causada por protozoários do gênero Leishmania

e transmitida por insetos flebotomíneos. O diagnóstico tradicional por microscopia, embora seja o padrão- ouro, enfrenta desafios como a subjetividade da análise e a dependência da experiência do observador.

Este trabalho propõe o desenvolvimento de um sistema web integrado a uma plataforma automatizada de captura de imagens microscópicas, com o objetivo de aprimorar a identificação de amastigotas de Leishmania com modelos de deep learning. O sistema implementa uma plataforma colaborativa para gerenciamento de laboratórios, com controle de participantes e sistema de convites. A validação da solução ocorreu em três frentes principais. Primeiro, o dispositivo de captura robótico, com custo aproximado de R$ 305,00, demonstrou viabilidade econômica e eficiência operacional, atingindo uma taxa de 8,57 imagens por minuto, superando o método manual (3,33 imagens por minuto). Segundo, os testes de usabilidade da aplicação web, utilizando a escala SUS, resultaram em pontuação média de 76,2, indicando boa aceitação pelos usuários. Terceiro, a plataforma integrou modelos de deep learning para diagnóstico de Leishmaniose Visceral Humana (baseado em InceptionV3) e Canina (baseado em YOLOv8), cujos trabalhos de origem reportam 98,7% de F1-Score e 88,5% de mAP, respectivamente. Os resultados demonstram que a abordagem proposta cumpre seu objetivo, entregando uma ferramenta integrada que contribui para tornar o diagnóstico da Leishmaniose mais acessível e eficiente com a automação da captura, com potencial para implementação em áreas endêmicas e expansão para outras doenças. ABSTRACT: Visceral Leishmaniasis (VL) is a severe infectious disease caused by protozoa of the Leishmania genus and transmitted by phlebotomine sandflies. The traditional diagnosis by microscopy, although the gold standard, faces challenges such as the subjectivity of the analysis and its dependence on the observer’s experience. This work proposes the development of a web-based system integrated with an automated platform for capturing microscopic images, aiming to improve the identification of Leishmania amastigotes using deep learning models. The system implements a collaborative platform for laboratory management, with participant control and an invitation system. The solution’s validation occurred on three main fronts. First, the robotic capture device, with an approximate cost of R$ 305.00, demonstrated economic viability and operational efficiency, achieving a rate of 8.57 images per minute, surpassing the manual method (3.33 images per minute). Second, usability tests of the web application, using the SUS scale, resulted in an average score of 76.2, indicating good user acceptance. Third, the platform integrated deep learning models for Human Visceral Leishmaniasis (based on InceptionV3) and Canine (based on YOLOv8) diagnosis, whose original studies report 98.7% F1-Score and 88.5% mAP, respectively. The results demonstrate that the proposed approach fulfills its objective, delivering an integrated tool that contributes to making the diagnosis of Leishmaniasis more accessible and efficient with capture automation, with the potential for implementation in endemic areas and expansion to other diseases.