使用机器学习进行自动化新生儿黄评估的多式特征分析.
Yunfeng Liang1, Lin Zou1, Millie Ming Rong Goh1
1Data aNalytics & AI, Synapxe Pte Ltd, Singapore 139691, Singapore.
JAMIA open
|December 11, 2025
概括
这项研究开发了一个AI模型,将临床和图像数据结合起来,以准确评估新生儿黄. 该模型显著提高了准确性,为监测婴儿健康提供了资源高效的解决方案.
科学领域:
- 新生儿护理 新生儿护理
- 人工智能的人工智能
- 医学成像医学成像
背景情况:
- 新生儿黄的监测是资源密集的.
- 当前的人工智能方法使用图像或临床数据,但不能同时使用.
- 缺乏多式联运特征贡献的系统比较.
研究的目的:
- 开发一种结合多模式特征的AI模型,以准确评估新生儿黄.
- 为了确定一个最佳的特征集黄预测.
- 为了比较不同数据模式和特征的贡献.
主要方法:
- 收集了633名新生儿的临床数据和皮肤图像.
- 在4个类别中生成了460个功能.
- 利用基于树的模型,包括光梯度增强机 (LGBM) 和夏普利增材扩展 (SHAP) 来进行特征重要性分析.
主要成果:
- 140个特征的LGBM模型实现了2.0477 mg/dL的RMSE和0.8435.5的皮尔森相关性.
- 与单一模式相比,组合的多式联运数据提高了超过10%的性能.
- 排名前30名的SHAP具有降低维度的特点,同时保持性能在最佳模型的5%内.
结论:
- 颜色特征和临床数据 (寿命小时) 是黄评估中最重要的.
- 腹部提供了最有信息的皮肤信号.
- 拟议的算法为及时评估黄提供了一个有希望的,自动化的解决方案.


