PlasmoCount 2.0 usa deep learning per riconoscere parassiti della malaria in strisci di sangue colorati con Giemsa e può analizzare una singola immagine in meno di tre secondi. Il sistema, descritto su npj Digital Medicine il 30 settembre 2026, è stato riprogettato per lavorare con più specie di Plasmodium, diversi ingrandimenti e preparazioni del campione. È uno strumento di ricerca e automazione della microscopia: lo studio non lo presenta ancora come sostituto autonomo della diagnosi clinica.
Perché leggere gli strisci di sangue è ancora difficile
L’osservazione microscopica di strisci colorati con Giemsa resta uno standard fondamentale per individuare i parassiti della malaria, ma richiede tempo, esperienza e procedure coerenti. Il conteggio manuale può diventare un collo di bottiglia nei laboratori che devono processare molte immagini o costruire archivi digitali standardizzati.
Il nuovo lavoro si inserisce in un cluster già seguito su iCrewPlay Tech. Abbiamo approfondito sia nuovi dettagli biologici sul parassita della malaria sia il meccanismo che controlla la sua divisione.
Cosa cambia con PlasmoCount 2.0
La prima versione di PlasmoCount era stata sviluppata per assistere il conteggio di parassiti intracellulari. Nella versione 2.0 gli autori hanno sostituito l’architettura Faster R-CNN con YOLOv8 e introdotto l’inferenza in batch. Secondo lo studio, queste modifiche riducono del 90% i principali colli di bottiglia di elaborazione e portano il tempo di analisi di una singola immagine sotto i tre secondi.
Il sistema è stato inoltre addestrato su dataset più diversi, comprendenti più specie di Plasmodium, differenti ingrandimenti e preparazioni. L’obiettivo è evitare che un modello funzioni bene solo su immagini molto simili a quelle usate durante l’addestramento.
Può riconoscere specie mai viste durante l’addestramento?
Gli autori riportano una migliore generalizzazione anche verso specie di Plasmodium non presenti nello stesso modo nel training. Questo aspetto è importante perché le immagini microscopiche possono cambiare molto in base a laboratorio, preparazione, strumento e specie analizzata.
PlasmoCount 2.0 distingue anche i globuli bianchi dagli eritrociti infetti, aumentando la robustezza quando si lavora con strisci di sangue intero. Il sistema non si limita quindi a cercare genericamente forme scure nell’immagine, ma prova a classificare strutture cellulari differenti.
Perché l’app offline è rilevante
Una caratteristica pratica del progetto è la distribuzione come applicazione compatibile con smartphone e capace di eseguire l’inferenza direttamente sul dispositivo, senza connessione di rete. In prospettiva questo può essere utile in laboratori o aree con connettività limitata, dove una piattaforma dipendente dal cloud sarebbe meno affidabile.
Lo studio parla però di una base per futuri impieghi clinici e sul campo. La disponibilità offline non equivale a una validazione diagnostica indipendente in ogni contesto sanitario.
Cosa non dimostra ancora lo studio
Il lavoro mostra un miglioramento tecnico nella velocità, nella gestione multispecie e nella generalizzazione del riconoscimento. Non dimostra che uno smartphone possa sostituire da solo un microscopista o che il sistema abbia già superato tutti i passaggi regolatori necessari per l’uso clinico.
Per trasformare una piattaforma di ricerca in uno strumento diagnostico servono validazioni prospettiche su campioni reali, protocolli standardizzati, controllo degli errori e confronto con operatori esperti in contesti diversi.
La fonte scientifica
La ricerca, Rapid multi-species malaria parasite detection using deep learning, è stata pubblicata su npj Digital Medicine il 30 settembre 2026.
In sintesi: PlasmoCount 2.0 accelera l’analisi automatizzata degli strisci di malaria, lavora con più specie e può funzionare offline su smartphone. È un passo verso microscopia digitale più scalabile, ma non è ancora una diagnosi autonoma pronta a sostituire il laboratorio.
