基于机器学习的横向流量测定量化,使用智能手机捕获的图像

科学领域:

• 生物医学诊断 生物医学诊断
• 机器学习应用程序 机器学习应用程序
• 在医疗保健中的图像分析.

背景情况:

• 侧流检测 (LFAs) 被广泛用于方便,低成本的临床诊断.
• 传统的LFA缺乏精确的量化,只提供定性 (是/否) 的结果.
• 改善LFA量化对于准确的疾病检测和监测至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于量化LFA中的分析物水平.
• 分析智能手机捕获的LFA图像,以提高诊断准确度.
• 为了比较不同ML/DL模型在LFA结果解释中的性能.

主要方法:

• 开发随机森林和卷积神经网络 (CNN) 模型.
• 在智能手机拍摄的LFA图像上进行培训和测试模型.
• 基于图像大小和噪音水平对模型性能进行比较分析.

主要成果:

• 随机森林和CNN模型在LFA结果分类方面表现出强的表现.
• 随机森林模型在小尺寸图像上训练时表现优于CNN.
• 美国有线电视新闻网 (CNN) 模型在分类杂的LFA图像方面表现出色.

结论:

• ML和DL模型可以有效地从LFA图像中量化分析物负载,提高诊断能力.
• 选择模型 (随机森林与CNN) 取决于图像特征 (大小,噪音).
• 这种方法为使用智能手机进行更准确和更定量地诊断提供了途径.