机器学习辅助的无图像标签的智能手机平台,用于快速细分和强大的多元尿分析

科学领域:

• 生物医学工程 生物医学工程
• 医学诊断 医学诊断 医学诊断
• 机器学习应用 机器学习应用

背景情况:

• 早期发现慢性病 (CKD) 和泌尿系统疾病对于有效管理至关重要.
• 传统的尿分析方法往往需要专门的设备和训练有素的人员,限制了可访问性.
• 现有的自动化方法在各种环境中可能缺乏稳定性或通用性.

研究的目的:

• 开发一种无图像标签的多滴棒识别方法,用于早期发现CKD和泌尿器官疾病.
• 利用智能手机技术创建一个具有成本效益和便携性的尿液分析系统.
• 提高自动化尿液分析机器学习模型的准确性和通用性.

主要方法:

• 利用在人类尿液数据上训练的机器学习算法来识别多个测量棒上的反应.
• 在反应上开发了用于初级色彩提取和尿液色彩校正的算法.
• 在HSV颜色空间中使用随机森林算法,以实现智能手机辅助尿液分析的最佳性能.

主要成果:

• 在187个多个测量棒 (每个11个) 上成功识别了反应.
• 在常规室内照明下,实现了与专业医疗设备竞争的性能.
• 以显著的准确性证明了对错误阳性和负性的有效管理.

结论:

• 开发的基于智能手机的尿液分析方法为早期CKD和泌尿器官疾病检测提供了强大的,具有成本效益的,便携式解决方案.
• 新的尿色校正和ISO参数考虑显著提高机器学习模型的性能.
• 这项技术在社区查和家庭监测方面具有重大潜力,特别是在资源较少的环境中.