深度学习方法应用于刺测试的自主图像诊断
Ramon Hernany Martins Gomes1, Edson Luiz Pontes Perger2, Lucas Hecker Vasques1
1Department of Bioprocess and Biotechnology, School of Agriculture, São Paulo State University (UNESP), Avenue Universitária, 3780, Botucatu 18610-034, SP, Brazil.
Life (Basel, Switzerland)
|October 26, 2024
概括
一个新的深度学习模型准确地测量皮肤刺探测试 (SPT) 面粉尺寸,有可能自动化过敏诊断并改进标准方法.
科学领域:
- 过敏和免疫学的过敏和免疫学.
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
背景情况:
- 皮肤刺伤测试 (SPT) 是一种用于抗原敏感化的标准诊断工具.
- 人类对SPT中小麦尺寸的解释可能会带来变化.
- 自动化SPT分析可能会提高诊断准确性和效率.
研究的目的:
- 开发和评估一个深度学习模型,用于在SPT中自动化Wheal维度推断.
- 将深度学习模型的准确性与标准测量协议和辅助图像分割进行比较.
主要方法:
- 一个卷积神经网络 (ML模型) 在 5844 个 SPT 图像上进行了训练,用于小麦细分.
- 使用ML模型,标准协议 (MA1) 和圆近似 (MA2) 推断了车轮尺寸.
- 结果与使用布兰德-阿尔特曼分析,相关性测试和百分比偏差的辅助图像分割 (AIS) 相比较.
主要成果:
- ML模型实现了85.88%的细分精度,优于其他方法.
- 在ML模型和AIS之间观察到强烈的相关性 (ρ = 0.88).
- 标准协议 (MA1) 显示出严重的错误,特别是在伪脚.
结论:
- 开发的ML协议为读取SPT结果提供了更准确和潜在的自动化方法.
- 这种深度学习方法可以减少对过敏诊断中的主观人类解释的依赖.
