一种基于语义细分和深度学习的新的,可行的和方便的方法,用于血红蛋白监测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 非侵入性血红蛋白 (Hb) 监测在侵入性测试之间提供了有价值的数据.
• 准确的Hb监测对于临床决策至关重要,特别是在重症监护机构.

研究的目的:

• 开发和评估一种使用眼睛图像进行Hb监测的新型自动化方法.
• 为了利用深度学习模型,特别是掩盖R-CNN和MobileNetV3,用于Hb估计.

主要方法:

• 利用手术患者的眼睛图像来预测Hb水平.
• 开发并比较了三个模型:功能工程与回归,单独使用MobileNetV3,以及面具R-CNN与MobileNetV3组合.
• 使用R2评估模型性能,解释差异得分 (EVS) 和平均绝对误差 (MAE).

主要成果:

• 面具R-CNN和MobileNetV3模型实现了0.503的R2和0.518.5的EVS.
• 使用手动选择的眼连接膜图像 (R2:0.509,EVS:0.516) 的性能与MobileNetV3相似.
• 拟议方法的平均绝对误差为1.6g/dL.

结论:

• 成功开发了一种使用眼睛图像进行非侵入性Hb监测的新型自动化方法.
• 这种人工智能驱动的方法增强了医务人员的决策能力,提供了高效率.
• 该方法在紧急情况下的应用方面显示出希望,例如灾难救援和伤亡运输.