选择性分区回归用于精确的健康监测

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 晚期病的发病率不断上升,需要及早检测和监测.
• 目前用于健康评估的方法可能是侵入性的或昂贵的.
• 最少侵入性技术对于预防严重损伤或衰竭至关重要.

研究的目的:

• 开发和评估一种基于机器学习的,具有成本效益的,用于病检测的系统.
• 评估机器学习模型在从色度变化中预测肌素度方面的有效性.
• 使用智能手机技术对脏疾病的严重程度进行分类 (健康,中等,危急).

主要方法:

• 开发一个iPhone应用程序,集成基于摄像头的生物传感器.
• 经典机器学习和深度学习技术的应用用于肌素预测.
• 利用测试条上的色度变化来分析肌素水平.
• 对新型模型的评估,包括选择性分区回归 (SPR),与最先进的方法对比.
• 进行除研究以优化模型性能.

主要成果:

• 与现有方法相比,选择分区回归 (SPR) 模型显示出优越的预测性能.
• SPR使用基于颜色的特征的直方图和渐变增强树木估计器.
• 该系统准确地将色度测量反应转化为脏健康预测.
• 通过选择性分区回归实现了更好的整体预测性能.

结论:

• 拟议的SPR模型是有效的评估脏疾病的严重程度使用低成本的横向流量测试试卷和智能手机应用程序.
• 这项技术为早期病检测和监测提供了一个有希望的,廉价的工具.
• 需要进一步的研究来验证该模型在各种临床环境中的性能.