通过身体部位进行非侵入性血红蛋白估计的基于深度学习的模型 图像:回顾性分析和前性急诊室研究
En-Ting Lin1, Shao-Chi Lu1, An-Sheng Liu1
1Department of Computer Science and Information Engineering, National Taiwan University, CSIE Der Tian Hall No. 1, Sec. 4, Roosevelt Road, Taipei, 106319, Taiwan.
Journal of imaging informatics in medicine
|August 19, 2024
概括
一个新的深度学习模型,BPANet,使用结膜,手掌和指甲的图像来非侵入性地预测贫血. 这种人工智能工具为临床环境中主观视觉白评估提供了可靠的替代方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 血液学 血液学 血液学
背景情况:
- 全球超过10亿人患有贫血,这对健康构成重大挑战.
- 目前的诊断方法,如血红蛋白测量,是侵入性的.
- 医生对色的视觉评估是主观的,并且取决于经验.
研究的目的:
- 开发一种新的,非侵入性的深度学习模型来预测贫血.
- 通过整合多个身体部位成像来提高贫血检测的准确性.
- 在临床和家庭环境中创建可靠的实时贫血评估工具.
主要方法:
- 使用回顾性数据 (EYES-DEFY-ANEMIA) 开发了一个深度学习模型,即身体部分贫血网络 (BPANet).
- 该模型利用结膜,手掌和指甲的输入图像.
- 使用融合注意力机制和双损失函数来增强特征学习和处理数据不平衡.
主要成果:
- 在追溯数据集上,BPANet的准确度为0.849,F1得分为0.828.
- 在101名患者的前性验证中,预测准确度为0.716,F1得分为0.788.
- 该模型在非侵入性贫血检测方面表现出色.
结论:
- 一个基于多体部分成像的新型非侵入性血红蛋白预测模型 (BPANet) 被开发和验证.
- BPANet展示了准确可靠的贫血检测的潜力.
- 该模型为各种环境中的实时贫血查提供了一个有前途的解决方案.
