通过基于视觉检测母乳养相关疾病来增强远程产后护理:算法开发和验证
Jessica De Souza1, Varun Kumar Viswanath1, Jessica Maria Echterhoff2
1Department of Electrical and Computer Engineering, University of California, San Diego, La Jolla, CA, United States.
JMIR AI
|June 24, 2024
概括
这项研究表明,人工智能可以从乳房图像中准确地检测出母乳养问题,帮助哺乳顾问 (LC) 提供更快的支持. 这种人工智能工具可以改善对母亲的护理,并减少LC的工作量.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 支持母乳养的技术
背景情况:
- 哺乳对于母亲和婴儿的健康至关重要,但由于乳头损伤和乳腺炎等问题,许多母亲会停止母乳养.
- 哺乳顾问 (LCs) 提供了至关重要的支持,但由于高需求和有限的资源,他们面临着倦怠.
- 远程医疗和基于图像的支持存在,但可扩展性仍然是一个挑战.
研究的目的:
- 评估五种不同的卷积神经网络 (CNN) 在识别健康的哺乳乳母乳和六种常见的母乳养并发症方面的有效性.
- 评估这些人工智能模型的潜力,作为LC加速分拣和患者管理的辅助工具.
- 通过快速,人工智能辅助的疾病检测,增强哺乳母亲的整体护理体验.
主要方法:
- 使用了五个CNN模型 (Resnet50,VGG16,InceptionV3,EfficientNetV2,DenseNet169) 来对1078张乳房和乳头图像进行分类.
- 图像被分为七个类别:健康,,乳腺炎,乳头斑,皮肤病,膨胀和乳头损伤.
- 评估了多类和二元 (健康与不健康) 分类的模型性能,包括对分类挑战的分析.
主要成果:
- 性能最好的模型在数据增强后实现了接收器操作特征曲线 (AUC) 下的平均面积为0.93的多类分类和0.96的二进制分类.
- 确定图像特征,如重叠条件和部分视图作为影响错误分类的因素.
- 在区分健康和不健康的母乳养相关疾病方面表现出高度准确性.
结论:
- 使用CNN的基于视觉的自动检测技术显示了改善产后护理的前景.
- 这种人工智能方法可以通过实现更快的决策来减轻LC的工作量.
- 该技术提供了一个可扩展的解决方案,以加强对母乳养母亲的支持.
