Automated Detection of Malaria (Plasmodium) Parasites in Images Captured with Mobile Phones Using Convolutional Neural Networks

Abstract

El examen microscópico de frotis de gota gruesa teñidos con Giemsa sigue siendo el estándar de referencia para el diagnóstico de la malaria, pero requiere personal especializado y es difícil de escalar en entornos de recursos limitados. Presentamos un sistema ligero basado en teléfonos inteligentes para la detección automática de parásitos de Plasmodium en frotis de gota gruesa capturados con teléfonos móviles acoplados a un microscopio convencional. Construimos un conjunto de datos clínicamente validado de 400 láminas de Loreto, Perú, que consta de 8625 imágenes adquiridas con tres modelos de teléfonos inteligentes y 54,531 instancias anotadas de Plasmodium vivax y P. falciparum a través de ocho clases morfológicas. El flujo de trabajo incluye la segmentación del campo visual basada en YOLOv11n, el escalado, la división en mosaicos de parches de 640 × 640, la aumentación de datos y la detección de parásitos. Se evaluaron cuatro detectores ligeros; YOLOv11n logró el mejor equilibrio, con una puntuación F1 de 0.938 y una precisión general del 90.92% en el subconjunto de prueba. Para la interpretabilidad diagnóstica, también se evaluó el rendimiento a nivel de campo visual agrupando las detecciones en Vivax, Falciparum, Mixto y Fondo. En un teléfono inteligente de gama alta (Samsung Galaxy S24 Ultra), el modelo YOLOv11n implementado logró una latencia de 110.9 ms por inferencia de 640 × 640 (9.02 FPS)