基于纹理的机器学习方法的可行性研究,用于早期检测新生儿黄
Nanthida Phattraprayoon1, Teerapat Ungtrakul1, Patiparn Kummanee1
1Princess Srisavangavadhana College of Medicine, Chulabhorn Royal Academy, Bangkok, Thailand.
Scientific reports
|February 22, 2025
概括
使用基于纹理的机器学习早期检测新生儿黄是可行的. 这种非侵入性方法对查婴儿,特别是在资源有限的环境中,有希望,防止长期并发症.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 新生儿健康 新生儿健康
背景情况:
- 未经治疗的新生儿黄会给婴儿带来严重的健康风险.
- 有效的查对于预防严重的长期并发症至关重要.
- 非侵入性方法在资源有限的医疗环境中特别有价值.
研究的目的:
- 调查基于纹理的机器学习方法用于早期新生儿黄检测的可行性.
- 评估机器学习模型在预测胆红素水平的非侵入性表现.
- 为低资源环境开发一个潜在的选工具.
主要方法:
- 采集了200名婴儿的临床数据和皮肤图像,使用新生儿黄检查和评估板.
- 从处理的图像中提取了92个特征 (3个临床特征,89个基于纹理特征).
- 我们比较了八种机器学习模型,其中支持矢量机 (SVM) 显示出最佳性能,并将其实现在基于Web的应用程序 (AmberSNAP).
主要成果:
- 支持矢量机 (SVM) 模型在预测胆红素水平方面表现良好 (MAE: 1.675 mg/dL,RMSE: 2.192 mg/dL).
- 根据身体位置的最佳特征选择有所不同:RRelief-F用于头部/胸骨,Univariate回归用于腹部/腿部.
- 在预测和测量的胆红素值 (r=0.644,p<0.001) 之间发现了中等相关性.
结论:
- 基于纹理的机器学习为新生儿黄查提供了一种可行且非侵入性的方法.
- 开发的方法AmberSNAP显示了早期检测的潜力,特别是在资源有限的环境中.
- 这项技术可以帮助预防与未经治疗的新生儿黄相关的长期并发症.
