从连接膜图像中基于深度学习模型检测贫血

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查,这耗时且不舒服.
• 眼结膜提供了一个可行的,不受黑色素影响的位置,用于非侵入性的光学评估.
• 血红蛋白水平是贫血的关键指标,影响氧气运输.

研究的目的:

• 开发和评估一种使用结膜图像检测贫血的非侵入性方法.
• 利用机器学习和深度学习模型进行准确的贫血诊断.
• 探索基于智能手机的成像用于贫血查的潜力.

主要方法:

• 使用智能手机拍摄的贫血和非贫血个体的结膜图像.
• 图像增强技术,包括生成对抗网络,将数据集大小增加到4315张图像.
• 训练和测试了各种统计回归,机器学习和深度学习模型.

主要成果:

• 一个集成VGG16,ResNet-50和InceptionV3的堆叠组合框架实现了曲线下的面积 (AUC) 0.97.
• 这种高AUC得分表明在非侵入性贫血检测方面表现异常出色.
• 结果证明了深度学习模型在分析结膜图像以检测贫血方面的有效性.

结论:

• 通过智能手机获得的结膜图像成功开发了一种用于检测贫血的非侵入性方法.
• 先进的深度学习技术显著提高了这种诊断方法的准确性和可行性.
• 这种方法为传统贫血检测提供了一个有希望的,患者友好的替代方案.