使用深度学习从视网膜图像中进行非侵入性贫血检测和血红蛋白估计:用于资源有限的环境的可扩展解决方案
Rehana Khan1, Vinod Maseedupally1, Kaveri A Thakoor2
1School of Optometry and Vision Science, University of New South Wales, Sydney, Australia.
Translational vision science & technology
|January 23, 2025
概括
这项研究开发了一种深度学习模型,用于使用 fundus 图像进行非侵入性贫血检测. InceptionV3模型在预测贫血和估计血红蛋白水平方面取得了很高的准确性.
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:
- 贫血的诊断通常需要侵入性血液检测.
- 检测贫血的非侵入性方法是非常可取的.
研究的目的:
- 开发和验证用于非侵入性贫血检测的深度学习模型.
- 估计血红蛋白 (Hb) 水平使用 fundus 图像.
- 为了识别贫血相关的视网膜特征.
主要方法:
- 一个深度卷积神经网络 (InceptionV3) 在2265名参与者的 fundus 图像和血液学数据上受训.
- 该模型预测了贫血和估计的Hb水平,使用准确度,灵敏度,特异性和ROC曲线评估性能.
- 格拉德卡姆突出度图和图像处理量化了与贫血相关的视网膜特征.
主要成果:
- InceptionV3模型在贫血预测方面实现了98%的准确性,99%的灵敏性和97%的特异性 (AUC=0.98).
- 估计Hb水平的平均绝对误差为0.58g/dL.
- 贫血与视网膜血管扭曲度增加和视盘附近血管密度降低有关.
结论:
- 像InceptionV3这样的深度学习模型可以准确地检测贫血,并从 fundus 图像中非侵入性地估计 Hb 水平.
- 视网膜血管分析提供了用于检测贫血的定量生物标志物.
