机器/深度学习辅助的血红蛋白水平预测使用眼结膜图像
Shota Kato1, Keita Chagi2, Yusuke Takagi2
1Department of Pediatrics, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan.
British journal of haematology
|July 18, 2024
概括
这项研究开发了机器学习模型,从手结膜的智能手机图像中预测血红蛋白水平,显示CNN模型提供了更好的贫血检测准确度.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 眼结膜色调是非侵入性贫血查的定性指标.
- 目前通过结节色来评估贫血的方法是主观的,缺乏定量精度.
研究的目的:
- 开发和评估机器/深度学习模型,用于使用智能手机获得的眼结膜图像进行定量血红蛋白预测.
- 评估这些模型用于贫血检测的诊断性能.
主要方法:
- 构建一个U-net细分模型,以隔离眼结膜区域.
- 开发基于非卷积神经网络 (CNN) 和基于CNN的回归模型,用于血红蛋白预测.
- 使用相关系数,灵敏度和特异性的模型性能评估.
主要成果:
- 与非CNN模型 (0.38) 相比,基于CNN的模型实现了更高的相关系数 (0.44).
- 基于CNN的模型表现出比非CNN模型更好的灵敏度 (20%) 和特异性 (99%) 检测贫血 (13%的灵敏度,98%的特异性).
- 通过对图像尺寸比和曝光时间进行校正,模型性能略有提高,下部结膜对预测至关重要.
结论:
- 与非CNN模型相比,基于CNN的深度学习模型在预测眼结膜图像中的血红蛋白值方面表现优异.
- 预计随着更大的数据集,预测准确度的进一步提高,特别是包括更多的贫血病例.
