实时非侵入性血红蛋白预测使用深度学习智能手机成像

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的血红蛋白测量对于医疗评估至关重要,如手术前评估和血液损失监测.
• 传统的侵入性方法是不方便的,不适合快速,点的护理测试.
• 现有的复杂模型限制了移动医疗环境中的频繁测试.

研究的目的:

• 开发一种新的,紧的,高效的系统来准确估计血红蛋白水平.
• 为了利用深度学习和智能手机技术进行可访问的医疗评估.
• 促进快速和频繁的血红蛋白检测,特别是在移动医疗环境中.

主要方法:

• 一个智能手机应用程序捕获了眼睛图像,由深度神经网络进行分析.
• EGE-Unet模型进行了眼细分,而DHA (C3AE) 模型预测了血红蛋白水平.
• 用MIOU,F1评分,准确性,MAE,MSE,RMSE和R^2.2等指标来评估模型的性能.

主要成果:

• 在眼细分方面,EGE-Unet模型实现了高性能 (MIOU 0.78,F1 0.87,精度 0.97).
• DHA(C3AE) 模型对血红蛋白预测 (MAE1.34,R^2 0.34) 显示出有希望的结果.
• 该系统是紧的 (1.08 M),计算复杂度低 (0.12 G FLOP).

结论:

• 开发的系统提供了一种具有成本效益,快速和准确的非侵入性血红蛋白估计方法.
• 它消除了对补充设备的需求,提高了治疗计划和患者护理.
• 该系统具有在移动医疗环境中进行频繁和快速血红蛋白检测的巨大潜力.