贫血患者的血红蛋白浓度低于其年龄和性别的通常范围两个标准差，年龄在15岁以上的男性(血红蛋白低于130克/升)，年龄在15岁以上的非孕妇(血红蛋白低于120克/升)，以及12-14岁的儿童(血红蛋白低于120克/升)。急性贫血会立即发病，而慢性贫血则需要更长的时间。贫血是一个全球性的公共卫生问题，主要影响青少年和孕妇。根据世界卫生组织(世卫组织)在2020年进行的研究，缺铁性贫血影响了世界33%的人口、40%的孕妇和42%的15岁以下儿童。红细胞生成减少或结构损伤导致贫血。当身体的红细胞产量下降或细胞结构完整性受损时，就会发生贫血。当红细胞氧化增加、失血、细胞缺陷或红细胞数量减少导致红细胞血红蛋白水平低于典型阈值时，也可出现贫血。治疗贫血的关键策略之一是早期发现并进行治疗干预，以防止不可逆的器官损害。症状包括疲劳、迷失方向、嗜睡和虚弱。慢性疾病患者可能出现贫血。此外，贫血已被证明会降低成人的生产力，影响儿童的心理和身体发育，如果不加以治疗，可能导致极度疲劳和妊娠并发症等健康问题。随着疾病的持续，患者也有可能发展为贫血。有许多不同类型的贫血，包括缺铁、镰状细胞病、地中海贫血、再生障碍性贫血以及维生素或铁缺乏症。每种类型的贫血都有各种各样的原因，可以是暂时的，也可以是持续的，从轻微到严重。

在易感宿主中，某些细菌会引起牙周炎，这是一种破坏牙齿支撑组织的炎症性疾病。牙周炎通常由革兰氏阴性厌氧菌引起。牙周组织中细菌及其产物的系统性暴露会产生强烈的血管反应和免疫炎症反应。牙周炎相关的局部感染会对人和动物的整体健康产生重大影响。除了对牙周组织中的细菌及其产物产生免疫炎症反应外，全身暴露于这些物质也会引起显著的血管反应。管状上皮保护身体免受刺激物和细菌的侵害。牙周炎中宿主-微生物的相互作用会使管状上皮溃疡。溃烂的口袋上皮让细菌渗入结缔组织，进入血液，并产生菌血症。菌血症和炎症与牙周炎有关[8]。牙周炎与许多全身性疾病之间的相互作用可以用宿主反应来解释。癌症、感染和自身免疫性疾病会激活免疫系统并产生细胞因子。最常产生的细胞因子是肿瘤坏死因子(TNF)、白细胞介素(IL)1和IL-6。炎症细胞因子导致的促红细胞生成素(EPO)合成减少可导致贫血。慢性疾病相关性贫血疾病的特征是巨噬细胞来源的炎症细胞因子，如IL-1、IL-、IL-6、转化生长因子和肿瘤坏死因子(TNF)。非侵入性方法和基于智能手机的设备可以诊断和监测贫血风险。本文评估和研究了医疗保健领域机器学习的趋势和理论，并找到了使用医疗照片进行可靠贫血诊断的方法。我们还比较了最成功的算法，并评估了在该研究中表现更好的模型。由于它们价格合理，简单且非创伤性，已经提出了用于检测贫血的机器学习方法。这推动了对技术的需求，尤其是创新的人工智能(AI)模型。

方法：将Orange与挤压网嵌入模型结合进行机器学习。利用300张患者口腔内牙龈的临床照片，对logistic回归、神经网络和朴素贝叶斯进行训练和检验，进行预测和检测。准确度采用混淆矩阵和受试者工作特征(ROC)曲线进行测量。

用于贫血检测的各种算法的准确性

检测贫血的受试者工作特征(ROC)

随机森林模型的混淆矩阵

朴素贝叶斯模型的混淆矩阵

混淆矩阵为逻辑回归模型

结果：在本研究中，三种卷积神经网络(CNN)嵌入式机器学习算法检测和预测贫血。对于贫血的识别，朴素贝叶斯的曲线下面积(AUC)为0.77，随机森林图的AUV为0.78，逻辑回归为0.85。因此，这三种机器学习方法检测贫血的准确率分别为77%、78%和85%。

结论：应用人工智能(AI)结合临床口腔内牙龈图像可以准确预测和检测贫血。这些发现需要通过更大的样本和额外的成像方式来证实。

原始出处：

Shubhangini, Chatterjee;  Sankari, Malaiappan;  Pradeep Kumar, YadalamArtificial Intelligence (AI)-Based Detection of Anaemia Using the Clinical Appearance of the Gingiva.Cureus 2024 Jun;16(6):e62792