集成基于视觉变压器的深度学习模型与内核极端学习机器,用于使用生物医学图像进行新生儿黄的非侵入性诊断
M Eliazer1, Sibi Amaran1, K Sreekumar1
1Department of Computing Technologies, SRM Institute of Science and Technology, Kattankulathur, Chennai, 603203, India.
Scientific reports
|July 15, 2025
概括
本研究介绍了一种人工智能模型,用于使用图像分析早期检测新生儿黄. 使用Kernel极端学习机器 (EDNJIC-KELM) 的新生儿黄早期诊断图像分类实现了96.97%的准确性,改善了诊断和治疗.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 新生儿保健技术技术 新生儿保健技术
- 机器学习在诊断中的应用
背景情况:
- 新生儿黄,由升高的胆红素表示,是新生儿常见和潜在的严重疾病.
- 早期检测和准确诊断对于及时治疗和预防并发症至关重要.
- 当前的诊断方法可能受到主观评估和潜在的误诊的限制.
研究的目的:
- 开发一种自动化系统,使用医学图像对新生儿黄进行早期和准确的分类.
- 通过先进的机器学习技术,提高医疗保健部门的诊断能力.
- 通过在新生儿中快速识别超白血症来改善患者的治疗结果.
主要方法:
- 建议使用内核极端学习机器 (EDNJIC-KELM) 方法对新生儿黄的早期诊断和图像分类.
- 使用维纳过器 (WF) 进行图像预处理,以减少噪音和提高图像质量.
- 使用视觉变压器 (ViT) 进行特征提取和内核极端学习机器 (KELM) 进行分类,并使用增强的Coati优化算法 (ECOA) 进行超参数调整.
主要成果:
- 在黄图像数据集上,EDNJIC-KELM模型显示了高分类准确率96.97%.
- 提出的方法在诊断新生儿黄方面显著优于现有模型.
- 图像处理和机器学习集成对于客观的黄评估是有效的.
结论:
- 埃德尼克-凯尔姆方法为新生儿黄的早期诊断提供了强大而准确的解决方案.
- 这种人工智能驱动的工具有可能通过实现更快,更可靠的诊断来彻底改变新生儿护理.
- 进一步实施这些技术可以减少与新生儿黄相关的发病率和死亡率.
