[论文解读] Portable system for the prediction of anemia based on the ocular conjunctiva using Artificial Intelligence

Bryan Saldivar‐Espinoza, Dennis Fernandez+4 more|arXiv (Cornell University)|Oct 25, 2019

Retinal Imaging and Analysis参考文献 6被引用 9

一句话总结

本研究提出了一种便携式、基于智能手机的人工智能系统，通过分析秘鲁年轻儿童的结膜苍白来预测缺铁性贫血。该系统采用卷积神经网络（CNN）进行结集膜分割，并利用神经网络回归器根据红、绿通道亮度值估算血红蛋白水平，在血红蛋白阈值为11 g/dL时达到77.58%的敏感性，显示出在资源匮乏地区具有强大潜力。

ABSTRACT

Anemia is a major health burden worldwide. Examining the hemoglobin level of blood is an important way to achieve the diagnosis of anemia, but it requires blood drawing and a blood test. In this work we propose a non-invasive, fast, and cost-effective screening test for iron-deficiency anemia in Peruvian young children. Our initial results show promising evidence for detecting conjunctival pallor anemia and Artificial Intelligence techniques with photos taken with a popular smartphone.

研究动机与目标

• 开发一种基于智能手机成像的低成本、非侵入性筛查工具，用于年轻儿童的缺铁性贫血。
• 克服基于血液检测的血红蛋白测定在农村医疗环境中存在的成本高、侵入性强及基础设施需求高等局限。
• 利用人工智能实现结膜苍白的自动检测，作为贫血的替代指标。
• 创建一种具有全球适用性、快速且可扩展的解决方案，适用于在资源匮乏地区（如秘鲁农村）部署。

提出的方法

• 使用标准智能手机摄像头拍摄睑结膜图像。
• 采用35层卷积神经网络（CNN）自动分割图像中的结膜区域。
• 使用公式：EI = log(R) - log(G) 计算红斑指数（EI），其中R和G分别为红、绿通道的亮度值。
• 通过200/MB缩放因子应用颜色归一化，其中MB为白色校准卡的平均亮度。
• 基于128个直方图特征，使用7层卷积神经网络（CNN）生成结膜区域的分割掩膜。
• 利用神经网络回归器从R和G分量预测血红蛋白水平，并根据预设的血红蛋白阈值将结果分类为贫血或非贫血。

实验结果

研究问题

• RQ1 通过智能手机成像检测到的结膜苍白是否能与年轻儿童的血红蛋白水平可靠相关？
• RQ2 基于深度学习的系统是否能无需侵入性血液检测准确预测贫血？
• RQ3 在真实临床图像条件下，基于CNN的结膜分割方法效果如何？
• RQ4 在该人工智能筛查系统中，最大化敏感性和特异性的最佳血红蛋白阈值点是什么？

主要发现

• 基于CNN的结膜分割在初步结果中通过视觉验证显示出成功的检测效果。
• 在血红蛋白阈值为11 g/dL时，系统达到77.58%的敏感性，为所有测试阈值中的最高值。
• 在Hb = 11的阈值下，系统准确率为42.96%，特异性为36.03%，表明该阈值下表现中等。
• 模型表现出敏感性与特异性之间的权衡，较低的血红蛋白阈值对应更高的敏感性。
• 初步结果表明，利用普通智能手机和人工智能实现非侵入性贫血筛查具有强大潜力。
• 该系统设计用于在资源匮乏地区（特别是秘鲁农村）实现可扩展和可部署。