非接触式光学血压生物识别使用基于人工智能的非底图像分析
Idan Bressler1, Dolev Dollberg2,3, Rachelle Aviv1
1AEYE Health, Inc.
medRxiv : the preprint server for health sciences
|January 20, 2025
概括
一个新的机器学习模型可以使用 fundus 图像来评估血压,其准确性与传统的手臂袖子测量类似. 这种深度学习方法对非侵入性高血压监测有希望.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 非侵入性地评估血压对于管理高血压至关重要.
- 传统的方法依赖于手臂袖的测量,这可能是不方便的.
- 探索血压评估的替代性,不那么侵入性的方法是积极的研究领域.
研究的目的:
- 开发和评估用于血压评估的机器学习模型.
- 为了确定模型的准确性是否与标准手臂袖子测量可比.
- 调查使用 fundus 图像用于估计血压的潜力.
主要方法:
- 使用英国生物银行数据集开发了一个深度学习模型.
- 该模型经过训练,可以预测心压和腹压血压.
- 用平均绝对误差,平均平方误差和R^2.2来对手臂袖子测量进行性能评估.
主要成果:
- 静脉压预测:平均绝对误差为9.81,平均平方误差为165.13,R^2为0.36.
- 腹压预测:平均绝对误差为6.00,平均平方误差为58.21,R^2为0.30.
- 模型错误与手臂袖子测量的固有变异性相当.
结论:
- 开发的机器学习模型的准确性与现有方法相美.
- 基于 fundus 图像的血压评估可以提供对长期高血压的见解.
- 建议进行进一步的临床试验和前性研究以验证.


