通过使用新的纹理特征和混合AI模型对侧向流量检测图像进行计算分析,提高护理点甲状腺诊断的灵敏度

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在诊断中的应用
• 照顾点检测检测 照顾点检测

背景情况:

• 侧向流量测试 (LFA) 对于临床诊断至关重要.
• 对于低度的分析物,如甲状腺刺激激素 (TSH),LFAs在敏感性和准确性方面扎.
• 提高LFA性能对于可靠的疾病检测至关重要.

研究的目的:

• 提高LFA在TSH检测中的灵敏度和准确性.
• 探索图像纹理特征对于诊断准确性的实用性.
• 开发混合人工智能 (AI) 模型,以提高TSH量化.

主要方法:

• 使用修改后的灰级共发生矩阵 (AvgH-MOGLCM) 来从测试图像中提取纹理特征.
• 使用卷积神经网络 (CNN) 来从纹理数据中提取特征.
• 开发出混合人工智能模型,将CNN特征与TSH分类的传统机器学习算法结合起来.

主要成果:

• 实现了TSH度水平的诊断准确度超过95%.
• 在AI模型中证明了测试图像中的纹理特征的有效性.
• 验证了混合AI模型在TSH水平分类中的性能.

结论:

• 测试图像的纹理分析为准确的疾病预测建模提供了一个有希望的途径.
• 开发的混合人工智能方法显著提升了LFA用于TSH生物标志物检测的能力.
• 这项研究为改善生物医学研究中的诊断和患者管理铺平了道路.