机器学习算法的应用用于在体外工程组织幻影图像上准确确定胆红素水平

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 新生儿健康 新生儿健康

背景情况:

• 新生儿黄,由过多的胆红素引起,可以导致严重的脑损伤 (kernicterus).
• 目前的超白血症查方法存在局限性,需要更容易获得的监测解决方案.

研究的目的:

• 评估使用机器学习 (ML) 与智能手机图像用于新生儿超白血病查的可行性.
• 为了比较ML模型并了解胆红素测定特征的重要性.

主要方法:

• 一项体外研究使用了胆红素组织幻影来识别混因素.
• 参数测试描述了生物 (光散射,皮肤厚度) 和环境 (ISO,照明,白平衡) 因素的影响.
• 评估了各种ML模型来对胆红素水平进行分类和回归.

主要成果:

• 该研究确定了关键的图像预处理技术和重要的生物/环境特征.
• 机器学习模型在分类中达到0.848的准确性,在回归中达到0.812的准确性.
• 结果表明,使用患者衍生图像进行胆红素评估的潜力.

结论:

• 基于智能手机的新生儿黄ML查是可行的和有希望的.
• 了解混因素对于开发强大,准确的诊断工具至关重要.
• 这种方法可以大大帮助设计未来的早期干预临床研究.