机器视觉模型使用指甲图像用于在大学生中非侵入性检测缺铁性贫血
Jorge Raul Navarro-Cabrera1, Miguel Angel Valles-Coral1, María Elena Farro-Roque2
1Faculty of Systems Engineering and Computer Science, Universidad Nacional de San Martín, Tarapoto, Peru.
Frontiers in big data
|April 24, 2025
概括
使用DenseNet169的新人工智能模型可以从指甲图像中检测缺铁性贫血 (IDA). 这种非侵入性方法显示出作为一种可访问的诊断工具的前景,与传统的血红蛋白计相对应.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 血液学 血液学 血液学
背景情况:
- 缺铁性贫血 (IDA) 是一个广泛的健康问题,影响生活质量.
- 为了提高可访问性,人们正在寻求非侵入性诊断方法.
- 通过人工视觉进行图像分析,为贫血检测提供了一个可行的替代方案.
研究的目的:
- 开发和评估一个基于DenseNet169的模型,用于使用指甲图像检测贫血.
- 将AI模型的性能与Rad-67血红蛋白计进行比较.
主要方法:
- 一项涉及909张大学生 (18-25岁) 的指甲图像的横截面研究.
- 在受控条件下使用Samsung Galaxy A73 5G获取图像.
- 预处理包括细分和数据增强;模型 (DenseNet169,InceptionV3,Xception) 被训练和评估.
主要成果:
- 而DenseNet169模型以0.6983的精度,0.6477的回忆,0.6525的F1-Score和0.7409.9的AUC实现了最高的性能.
- 该模型显示了与Rad-67血红蛋白读数的正相关性,尽管有一些虚假负值.
- 这表明AI在贫血查中的潜力.
结论:
- DenseNet169模型对非侵入性检测缺铁性贫血具有显著的前景.
- 该模型在临床和教育环境中都有潜在的应用.
- 在数据预处理和数据集多样性方面的进一步改进可以提高模型性能并扩大其适用性.
