Published January 1, 2023 | Version v1
Publication Metadata-only

Detection of anaemia using medical images: A comparative study of machine learning algorithms – A systematic literature review

Creators

  • 1. University of Energy and Natural Resources

Description

Anaemia is a global public health challenge that affects children and pregnant women. Anaemia develops when the body's supply of red blood cells declines or when the structure of the cells is weakened. The clinical diagnosis of anaemia has several challenges in practice, including insufficient funding for medical tests, inadequate medical personnel and resources in remote areas, and client reluctance that results in abstinence. Several machine learning techniques for anaemia detection have been developed due to their affordability, simplicity of use, and non-invasive nature as compared to the invasive approach. We perform a systematic review and examine current trends and concepts of machine learning in healthcare services to identify viable approaches to detect anaemia. We compare the most successful machine learning algorithms currently in use regarding machine learning, evaluation metrics, image augmentation, and the origin and size of the dataset used. The result of this study is a clear indication that non-invasive methods such as the use of machine learning algorithms to detect anaemia are affordable, and provides results on time. This systematic review provide scientific evidence, with the results describing how effective machine learning could make anaemia detection feasible. Machine and deep learning algorithms are introduced and used to make a wide-ranging analysis of images, diagnosis, and clinical analysis in the disciplines of medical fields such as anaemia detection.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

فقر الدم هو تحد عالمي للصحة العامة يؤثر على الأطفال والنساء الحوامل. يتطور فقر الدم عندما ينخفض إمداد الجسم بخلايا الدم الحمراء أو عندما تضعف بنية الخلايا. يواجه التشخيص السريري لفقر الدم العديد من التحديات في الممارسة العملية، بما في ذلك عدم كفاية التمويل للفحوصات الطبية، وعدم كفاية الموظفين الطبيين والموارد في المناطق النائية، وتردد العملاء الذي يؤدي إلى الامتناع عن ممارسة الجنس. تم تطوير العديد من تقنيات التعلم الآلي للكشف عن فقر الدم نظرًا لقدرتها على تحمل التكاليف وبساطة الاستخدام والطبيعة غير الغازية مقارنة بالنهج الغازي. نقوم بإجراء مراجعة منهجية وفحص الاتجاهات والمفاهيم الحالية للتعلم الآلي في خدمات الرعاية الصحية لتحديد الأساليب القابلة للتطبيق للكشف عن فقر الدم. نقارن أنجح خوارزميات التعلم الآلي المستخدمة حاليًا فيما يتعلق بالتعلم الآلي ومقاييس التقييم وزيادة الصور وأصل وحجم مجموعة البيانات المستخدمة. نتيجة هذه الدراسة هي إشارة واضحة إلى أن الطرق غير الغازية مثل استخدام خوارزميات التعلم الآلي للكشف عن فقر الدم ميسورة التكلفة، وتقدم نتائج في الوقت المحدد. توفر هذه المراجعة المنهجية أدلة علمية، مع النتائج التي تصف كيف يمكن للتعلم الآلي الفعال أن يجعل اكتشاف فقر الدم ممكنًا. يتم تقديم خوارزميات التعلم الآلي والتعلم العميق واستخدامها لإجراء تحليل واسع النطاق للصور والتشخيص والتحليل السريري في تخصصات المجالات الطبية مثل اكتشاف فقر الدم.

Translated Description (French)

L'anémie est un problème de santé publique mondial qui touche les enfants et les femmes enceintes. L'anémie se développe lorsque l'apport en globules rouges de l'organisme diminue ou lorsque la structure des cellules est affaiblie. Le diagnostic clinique de l'anémie présente plusieurs défis dans la pratique, notamment un financement insuffisant pour les tests médicaux, un personnel et des ressources médicaux inadéquats dans les régions éloignées et une réticence des clients qui entraîne l'abstinence. Plusieurs techniques d'apprentissage automatique pour la détection de l'anémie ont été développées en raison de leur abordabilité, de leur simplicité d'utilisation et de leur nature non invasive par rapport à l'approche invasive. Nous effectuons un examen systématique et examinons les tendances et les concepts actuels de l'apprentissage automatique dans les services de santé afin d'identifier des approches viables pour détecter l'anémie. Nous comparons les algorithmes d'apprentissage automatique les plus efficaces actuellement utilisés en ce qui concerne l'apprentissage automatique, les mesures d'évaluation, l'augmentation d'image, ainsi que l'origine et la taille de l'ensemble de données utilisé. Le résultat de cette étude est une indication claire que les méthodes non invasives telles que l'utilisation d'algorithmes d'apprentissage automatique pour détecter l'anémie sont abordables et fournissent des résultats à temps. Cette revue systématique fournit des preuves scientifiques, avec des résultats décrivant comment l'apprentissage automatique efficace pourrait rendre possible la détection de l'anémie. Des algorithmes d'apprentissage automatique et en profondeur sont introduits et utilisés pour effectuer une analyse étendue des images, du diagnostic et de l'analyse clinique dans les disciplines des domaines médicaux tels que la détection de l'anémie.

Translated Description (Spanish)

La anemia es un problema de salud pública mundial que afecta a niños y mujeres embarazadas. La anemia se desarrolla cuando el suministro de glóbulos rojos del cuerpo disminuye o cuando la estructura de las células se debilita. El diagnóstico clínico de la anemia tiene varios desafíos en la práctica, incluida la financiación insuficiente para las pruebas médicas, el personal y los recursos médicos inadecuados en áreas remotas y la renuencia del cliente que resulta en la abstinencia. Se han desarrollado varias técnicas de aprendizaje automático para la detección de la anemia debido a su asequibilidad, simplicidad de uso y naturaleza no invasiva en comparación con el enfoque invasivo. Realizamos una revisión sistemática y examinamos las tendencias y conceptos actuales del aprendizaje automático en los servicios sanitarios para identificar enfoques viables para detectar la anemia. Comparamos los algoritmos de aprendizaje automático más exitosos actualmente en uso con respecto al aprendizaje automático, las métricas de evaluación, el aumento de imágenes y el origen y el tamaño del conjunto de datos utilizado. El resultado de este estudio es una clara indicación de que los métodos no invasivos, como el uso de algoritmos de aprendizaje automático para detectar la anemia, son asequibles y proporcionan resultados a tiempo. Esta revisión sistemática proporciona evidencia científica, y los resultados describen cómo el aprendizaje automático efectivo podría hacer factible la detección de la anemia. Los algoritmos de aprendizaje automático y profundo se introducen y utilizan para realizar un análisis amplio de imágenes, diagnósticos y análisis clínicos en las disciplinas de los campos médicos, como la detección de anemia.

Additional details

Additional titles

Translated title (Arabic)
الكشف عن فقر الدم باستخدام الصور الطبية: دراسة مقارنة لخوارزميات التعلم الآلي – مراجعة منهجية للأدبيات
Translated title (French)
Détection de l'anémie à l'aide d'images médicales : une étude comparative des algorithmes d'apprentissage automatique – une revue systématique de la littérature
Translated title (Spanish)
Detección de anemia utilizando imágenes médicas: un estudio comparativo de algoritmos de aprendizaje automático – Una revisión sistemática de la literatura

Identifiers

Other
https://openalex.org/W4378714153
DOI
10.1016/j.imu.2023.101283

Is supplement to
https://openalex.org/W4360585206 (Other)
https://openalex.org/W4321369474 (Other)
https://openalex.org/W4306674287 (Other)
https://openalex.org/W4285208911 (Other)
https://openalex.org/W3215138031 (Other)
https://openalex.org/W3082895349 (Other)
https://openalex.org/W3046775127 (Other)
https://openalex.org/W3009238340 (Other)
https://openalex.org/W2961085424 (Other)
https://openalex.org/W2731899572 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Ghana

References

  • https://openalex.org/W2051379371
  • https://openalex.org/W2094948566
  • https://openalex.org/W2112908795
  • https://openalex.org/W2141106240
  • https://openalex.org/W2194160285
  • https://openalex.org/W2510090820
  • https://openalex.org/W2588119752
  • https://openalex.org/W2766088969
  • https://openalex.org/W2799852120
  • https://openalex.org/W2802959083
  • https://openalex.org/W2889024616
  • https://openalex.org/W2901330522
  • https://openalex.org/W2916869788
  • https://openalex.org/W2954996726
  • https://openalex.org/W2964796060
  • https://openalex.org/W2966552246
  • https://openalex.org/W2973814661
  • https://openalex.org/W2981923347
  • https://openalex.org/W2995850447
  • https://openalex.org/W3036458852
  • https://openalex.org/W3049032341
  • https://openalex.org/W3111125479
  • https://openalex.org/W3118750161
  • https://openalex.org/W3139809032
  • https://openalex.org/W3148271110
  • https://openalex.org/W3153256506
  • https://openalex.org/W3156669768
  • https://openalex.org/W3180713012
  • https://openalex.org/W3208441835
  • https://openalex.org/W3208762515
  • https://openalex.org/W4211008331
  • https://openalex.org/W4224211619
  • https://openalex.org/W4244993737
  • https://openalex.org/W4280558647
  • https://openalex.org/W4285591000
  • https://openalex.org/W4297819469
  • https://openalex.org/W4299588235
  • https://openalex.org/W4306784143
  • https://openalex.org/W4311778818
  • https://openalex.org/W4313421108
  • https://openalex.org/W4317838147
  • https://openalex.org/W4320016032
  • https://openalex.org/W4321230297
  • https://openalex.org/W4322500260
  • https://openalex.org/W4353064716
  • https://openalex.org/W4367679088
  • https://openalex.org/W4381833054