Mastering the Unseen: Approaches to Hard-to-Detect Viral Cytopathic Effect

Abstract

Viral infections pose persistent global health challenges, making rapid, accurate assessment of viral activity crucial for research and diagnostics. Cytopathic Effect (CPE), morphological changes in host cells upon viral infection, serves as a critical visual indicator of viral load, yet its manual microscopy based assessment is laborious and subjective. Furthermore, simple automated classification often fails to quantify infection severity and struggles with "hard-to-detect" cases. This work presents a comprehensive survey and performance evaluation of various computer vision techniques, ranging from image classification to weakly and strongly supervised segmentation with both classical and deep learning-based models, for the automated detection and localisation of CPE induced by xenotrophic murine leukemia virus (x-MuLV). Our analysis demonstrates that supervised segmentation techniques provide a significantly more robust pathway for viral load quantification than explainability-based classification methods, particularly when analysing images displaying subtle cellular alterations with low viral load. This automated methodology offers an efficient, objective, and scalable alternative to manual inspection, facilitating high-throughput analysis and deeper insights into infection dynamics. Following extensive data preparation, this work systematically compared existing computer vision methodologies, thereby identifying and validating best-performing approaches for consistent and quantitative Cytopathic Effect characterisation, which offers a powerful tool to accelerate drug discovery, advance fundamental viral research, and improve automated virological assays.

Viirusnakkused on maailma tervisele pidevaks väljakutseks, mistõttu on viiruse aktiivsuse kiire ja täpne hindamine väga oluline nii teadustöös kui diagnostikas. Tsütopaatiline efekt (CPE) – viiruse põhjustatud morfoloogilised muutused peremeesrakkudes – on tähtis visuaalne näitaja viiruskoormuse kohta, kuid mikroskoobiga käsitsi hindamine on aeg-nõudev ja subjektiivne. Lisaks ei suuda lihtsad automaatsed klassifikaatorid tihti nakkuse raskusastet täpselt mõõta ning jäävad hätta «rasketuvastatavate» juhtumitega. Siin uuringus anname põhjaliku ülevaate ja hindame eri arvutinägemise võtteid – alates pildiklassifikatsioonist kuni nõrgalt ja tugevalt juhendatud segmenteerimiseni, kasutades nii klassikalisi kui sügavõppe mudeleid – xenotroopse hiire leukeemiaviiruse (x-MuLV) poolt tekitatud CPE automaatseks tuvastamiseks ja lokaliseerimiseks. Analüüs näitab, et juhendatud segmenteerimismeetodid on viiruskoormuse kvantifitseerimisel märksa töökindlamad kui selgitavusel põhinevad klassifitseerijad, eriti kui piltidel on vaid õrnad rakumuutused ja madal viiruskoormus. See automatiseeritud lahendus pakub tõhusat, objektiivset ja skaleeritavat alternatiivi käsitsi vaatlemisele, võimaldades kõrge läbilaskevõimega analüüsi ning sügavamat arusaama infektsiooni dünaamikast. Pärast ulatuslikku andmete ettevalmistust võrreldi süstemaatiliselt olemasolevaid arvutinägemise meetodeid ning tuvastati ja kinnitati parimad lähenemised CPE järjepidevaks ning kvantitatiivseks iseloomustamiseks. Tulemuseks on võimas tööriist, mis kiirendab ravimite avastamist, toetab viroloogia alusuuringuid ja parandab automatiseeritud viroloogilisi analüüse.