通过对唇部粘膜图像的非侵入性分析来检测贫血
Turker Berk Donmez1, Mohammed Mansour2, Mustafa Kutlu2
1Department of Biomedical Engineering, Sakarya University of Applied Sciences, Serdivan, Sakarya, Türkiye.
Frontiers in big data
|November 6, 2023
概括
这项研究表明,机器学习 (ML) 可以使用唇部图像来非侵入性检测贫血. 纯粹的贝叶斯检测达到96%的准确性,为血液检测提供了一种实用的,低成本的查替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 贫血的检测传统上依赖于侵入性血液检测.
- 需要可访问,非侵入性贫血查方法,特别是用于家庭使用.
- 由于皮肤薄薄,唇膜提供了一个适合进行非侵入性视觉评估的位置.
研究的目的:
- 通过机器学习 (ML) 分析唇部粘膜图像来研究检测贫血的可行性.
- 开发和评估在家庭环境中进行非侵入性贫血查的ML模型.
- 基于图像特征进行贫血分类的各种ML算法的性能比较.
主要方法:
- 收集了来自138名患者的图像数据 (RGB和HSV值) 和临床数据 (年龄,性别,血红蛋白).
- 应用了六个ML算法:天真贝叶斯 (NB),决策树 (DT),k-最近邻居 (KNN),人工神经网络 (ANN),物流回归 (LR) 和支持向量机器 (SVM).
- 使用准确性,精度,回忆和F测量指标评估模型性能.
主要成果:
- 纯粹的贝叶斯 (NB) 达到96%的最高准确率.
- 决策树 (DT),k-最近邻居 (KNN) 和人工神经网络 (ANN) 模型显示93%的准确性.
- 后勤回归 (LR) 和支持向量机 (SVM) 分别实现了79%和75%的准确性.
结论:
- 唇膜膜图像的ML分析是检测贫血的可行和准确方法.
- 这种非侵入性方法为传统血液检测提供了实用且可访问的替代方案.
- 开发的ML模型可以促进高效,低成本的贫血查,特别是在资源有限的环境中.
