使用人工智能进行非侵入性黄查:机器学习分析结核和尿液图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 黄是一种肝功能障碍的迹象,通常使用侵入性血液检测来诊断.
• 目前的诊断方法可能不舒服,需要实验室处理.

研究的目的:

• 开发和评估一种基于人工智能的程序,用于使用膜和尿液图像进行非侵入性黄查.
• 将AI模型的准确性与用于诊断黄的标准血液测试进行比较.

主要方法:

• 对患者数据的回顾性分析,包括肝功能和胆红素测试.
• 收集和标准化处理膜和尿液图像,使用A4纸进行白平衡校正.
• 应用各种机器学习 (决策树,随机森林,XGBoost) 和深度学习 (DeepSets,ResNet) 算法进行黄预测.

主要成果:

• DeepSets AI 模型表现出卓越的性能,在 bilirubin 水平预测方面获得了 0.782 的 R2.
• 对于检测黄,DeepSets的准确度达到87.1% (AUC = 0.869),精度为90.2%,回忆率为88.1%.
• 随机森林模型也显示出有希望的结果,准确率为84.2% (AUC = 0.833).

结论:

• 用简单的A4纸进行颜色校正的膜图像显示出黄查的巨大潜力.
• 对这些图像的AI分析可以有效预测胆红素水平,并有助于检测黄.
• 这种非侵入性方法为黄评估提供了传统血液检测的有希望的替代方案.