基于免校准智能手机与机器学习的无创新生儿黄疸评估方法

《Computers》：Automatic Non-Invasive Jaundice Detection of Neonates Using Computer Vision

　　基于智能手机的新生儿黄疸筛查为传统的胆红素测量提供了一种低成本的替代方案。然而，大多数计算机视觉技术依赖于颜色校准、固定的皮肤分割或有限的特征集，这降低了其在不同成像条件下的可靠性。在本研究中，我们提出了一种免校准的、基于智能手机的新生儿黄疸评估方法，该方法结合了自适应皮肤分割、多颜色特征提取、SHAP引导的特征选择以及机器学习。我们的框架利用图像中的视觉特征，引导流程使用SAM或DensePose从公共图像或更复杂的临床图像中提取皮肤区域。皮肤区域被增强并以RGB、HSV、CIE Lab和YCbCr色彩空间表示，随后利用SHAP对色度特征进行排序和选择。所选特征通过机器学习算法进行评估，以实现对总血清胆红素（TsB）的连续估计以及三分类黄疸分类。实验在现有的NeoJaundice数据集和本哈大学医院收集的临床NICU数据集上进行。分割评估支持自适应分割，DensePose（Benha）的Dice/IoU得分为0.8807/0.7903，SAM（NeoJaundice）的Dice/IoU得分为0.9850/0.9705。在TsB估计方面，KNN获得了R=0.982、R2=0.965以及RMSE=0.973 mg/dL的结果。在三分类任务中，随机森林在NeoJaundice数据集上取得了98.31%的准确率，在临床数据集上取得了98.44%的准确率。在评估261张此前未见过的临床图像时，实现了98.47%的准确率，为其在未见NICU图像上的性能提供了证据。研究结果表明，将自适应分割、紧凑的多颜色表示和可解释的特征选择相结合，用于免校准的智能手机新生儿黄疸筛查具有广阔前景。仍需在不同新生儿人群、肤色和智能手机设备之间进行多中心验证，以确立更广泛的临床适用性。