Mikroskopisk undersökning av feces är fortfarande en av de mest använda metoderna för att diagnostisera gastrointestinala parasiter hos sällskapsdjur. Metoden är robust, men tidskrävande och operatörsberoende. I den aktuella studien utvärderas om ett modernt objektdetekteringssystem (YOLOv8n) kan fungera som ett kliniskt stödverktyg vid rutinmässig parasitdiagnostik.

Sex parasittyper – tre förstoringar

Forskarna inkluderade sex kliniskt relevanta parasitära element:
• Spirometra-ägg
• Dipylidium-äggpaket
• Hakmaskägg
• Ascaris-ägg
• Giardia-cystor
• Trichomonas-trofozoiter

Materialet bestod av 326 mikroskopibilder med totalt 3710 annoterade objekt från 85 djur (cirka 50 hundar och 35 katter). Bilderna togs i tre förstoringar: 1000×, 2500× och 10 000×. Data delades på djurnivå för att undvika dataläckage mellan tränings- och testmaterial.

Det är metodologiskt viktigt, eftersom många AI-studier annars riskerar att överskatta prestanda genom att samma individ förekommer i flera datasetdelar.

Nära 98 procent träffsäkerhet

Modellen identifierade parasiterna korrekt i nästan 98 procent av fallen när den testades på nytt bildmaterial. Resultaten var stabila även när forskarna upprepade analyserna med olika uppdelningar av materialet, vilket talar för att systemet inte bara ”lärt sig” enskilda bilder utan faktiskt känner igen parasiternas typiska utseende.

Vid 2500× förstoring – som visade sig vara mest praktisk för screening – fungerade systemet mycket väl för fem av de sex parasittyperna. För Trichomonas var träffsäkerheten något lägre, vilket sannolikt beror på att dessa organismer är mindre och lättare döljs av bakgrundsmaterial eller delvis hamnar utanför fokus.

När forskarna analyserade felen närmare framkom tre huvudorsaker:

• 42 procent av missarna gällde mycket små strukturer, framför allt Giardia och Trichomonas.
• 28 procent berodde på att vissa äggtyper liknar varandra morfologiskt, exempelvis hakmask och Ascaris.
• 30 procent uppstod när parasiter låg överlappande eller omgavs av debris som försvårade avgränsningen.

Att studien redovisar både styrkor och svagheter så öppet stärker trovärdigheten och ger en realistisk bild av systemets begränsningar.

Vilken förstoring är optimal?

Det mest praktiskt relevanta fyndet gäller arbetsflödet. Vid 2500× förstoring fick modellen den bästa balansen mellan morfologisk detalj och fältöversikt. Författarna beräknar att ett prov kan processas på cirka 5,8 sekunder vid denna förstoring, medan motsvarande täckning vid 10 000× skulle ta över fem minuter, det vill säga en cirka 50-faldig ökning i bearbetningstid. 

10 000× gav visserligen hög diskriminativ förmåga per bild, särskilt för små eller morfologiskt otydliga strukturer, men det kraftigt reducerade synfältet gör förstoringens användbarhet begränsad för primär screening. 

Författarna föreslår därför ett tvåstegsförfarande: dels primär screening vid 2500×, dels riktad konfirmerande bildtagning vid 10 000× för oklara fynd. 

Detta är ett resonemang som ligger nära klinisk vardag snarare än teknisk modelloptimering.

Assisterar – inte ersätter

Studien visar att systemet är tänkt som ett assistivt verktyg. Modellen markerar misstänkta objekt med sannolikhetsvärden och flaggar lågsäkerhetsfynd för manuell granskning. Den slutliga diagnosen ligger fortsatt hos veterinär eller parasitolog. 

Detta ”human-in-the-loop”-perspektiv är särskilt relevant när kvalitetssäkring och professionellt ansvar är viktiga principer.

Relevans 

För mindre mottagningar utan digital mikroskopi är detta ännu framtidsteknik.

För större djursjukhus, laboratorier och kliniker med hög provvolym är frågan däremot högaktuell. Automatiserad screening skulle kunna minska tidsåtgång per prov, öka reproducerbarhet och fungera som kvalitetssäkring vid lågintensiva infektioner.

I en situation där personalresurser är begränsade och provvolymer varierar kan denna typ av system fungera som ett stöd, särskilt inom smådjursparasitologi.

Även om generaliserbarheten ännu inte är fullt visad på grund av begränsningar i studien bidrar den med en konkret och tekniskt genomarbetad modell för hur automatiserad fecaldiagnostik kan integreras i klinisk praxis. 

Referens

Yang J, Yang B, You Q, Li Z, Yamaguchi Y. Automated Detection of Parasitic Elements in Veterinary Fecal Samples Using a Deep Learning-Based Object Detection Framework. Veterinary Sciences. 2026; 13(3):257.