Métodos supervisados y semi-supervisados de clasificación de imágenes de nematodos para descubrimiento de fármacos

Utilizamos visión por computadora para acelerar el descubrimiento de candidatos a fármacos antiparasitarios. Entrenamos modelos de aprendizaje profundo supervisados y semi-supervisados para identificar imágenes en las que los extractos de productos naturales que se están examinando como candidatos a fármacos han impactado efectivamente el desarrollo de nematodos. Hemos desarrollado un nuevo conjunto de datos que comprende 12,800 imágenes, consistentes en 4,640 imágenes de nematodos etiquetadas y 8,160 imágenes no etiquetadas. Reportamos el rendimiento de una variedad de redes neuronales profundas y funciones de pérdida en esta aplicación y mostramos que DenseNet proporciona una precisión del 86%. También extendimos el enfoque a una metodología de aprendizaje semi-supervisado, utilizando pseudo-etiquetas de alta confianza de datos no etiquetados para aumentar iterativamente el conjunto de entrenamiento. Este método semi-supervisado permite el uso de datos no etiquetados y contribuye a un mejor rendimiento en la clasificación de pruebas.