智能手机摄像头可以在家中监测血氧水平

原理验证研究：研究人员已经证明，智能手机能够检测低至 70% 的血氧饱和度。 受试者将手指放在智能手机的相机和闪光灯上，智能手机使用深度学习算法从生成的视频中破译血氧水平。 （礼貌：丹尼斯怀斯/华盛顿大学）

血氧饱和度 (SpO2) 是血液中携带氧气的血红蛋白百分比，是衡量心血管功能的重要指标。 健康个体的 SpO2 水平约为 95% 或更高，但呼吸系统疾病——如哮喘、慢性阻塞性肺病、肺炎和 COVID-19——会导致这些水平显着下跌。 如果 SpO2 低于 90%，这可能是更严重的心肺疾病的征兆。

医生通常使用脉搏血氧仪测量 SpO2，这是一种夹在指尖或耳朵上的非侵入性设备。 这些通常通过透射光成交量描记法 (PPG) 起作用，其中分析红光和红外光的吸收以区分含氧血液和脱氧血液。 但是，使用日常智能手机上的摄像头在诊所外监测 SpO2 的能力可以让更多人发现需要医疗随访或跟踪持续呼吸状况的情况。

华盛顿大学 (UW) 和加州大学圣地亚哥分校的研究人员现在表明，智能手机可以检测低至 70% 的血氧饱和度水平。 他们在 npj Digital Medicine 中报告了他们的发现，并指出这是使用智能手机摄像头实现的，无需修改硬件，通过训练成交量积神经网络 (CNN) 来破译各种血氧水平。

在一项原理验证研究中，研究人员采用了一种称为不同吸入氧气 (FiO2) 的程序，在该程序中，受试者呼吸受控的氧气和氮气混合物，以将其 SpO2 水平缓慢降低至 70% 以下——最低值根据美国食品和药物管理局的建议，脉搏血氧仪应该能够测量。 他们使用得到的数据来训练基于 CNN 的深度学习算法。

“其他智能手机应用程序是通过要求人们屏住呼吸来开发的。 但是人们会在大约一分钟后变得非常不舒服并且不得不呼吸，而那是在他们的血氧水平下跌到足以代表所有临床相关数据之前，”第一作者、华盛顿大学博士生 Jason Hoffman 解释说，在新闻声明中。 “通过我们的测试，我们能够从每个受试者那里收集 15 分钟的数据。 我们的数据显示，智能手机可以在临界阈值范围内正常工作。”

霍夫曼及其同事检查了六名健康志愿者。 每个参与者 19 种血液变化 13-15 FiO2，在此期间研究人员获得了超过 10,000% 和 10% 以上的 10,000 多个血液水平。 此外，他们使用专用的脉搏血氧仪通过 PPG 透射率记录地面真实数据。

在家选项：智能手机可以检测与独立脉搏血氧仪相当的血氧饱和度水平，如图中灰色和蓝色所示。 （礼貌：丹尼斯怀斯/华盛顿大学）

为了进行智能手机血氧测定，参与者将手指放在智能手机的相机和闪光灯上。 相机通过反射 PPG 记录响应——测量血液在红色、绿色和蓝色通道中吸收了多少来自闪光灯的光。 然后，研究人员将这些强度测量值输入深度学习模型，使用四名受试者的数据作为训练集，另一名用于验证和优化模型。 然后，他们根据剩余受试者的数据评估了训练好的模型。

在对来自不同 FiO2 研究的临床相关 SpO2 水平范围（70-100%）进行训练时，CNN 在预测新受试者的 SpO2 水平时实现了 5.00% 的平均平均绝对误差。 模型预测与参考脉搏血氧仪之间的平均 R2 相关性为 0.61。 所有受试者的平均 RMS 误差为 5.55%，高于反射式脉搏血氧计设备清除以供临床使用所需的 3.5% 标准。

研究人员建议，智能手机摄像头血氧计可以用作筛查低血氧的工具，而不是简单地估计 SpO2。 为了探索这种方法，他们计算了模型的分类准确度，以表明个体的 SpO2 水平是否低于 3：92%、90%（通常用于表示需要进一步医疗护理）和 88%。

当对低于 90% 的 SpO2 水平进行分类时，该模型表现出 81% 的相对较高的灵敏度和 79% 的特异性，这是所有六名测试对象的平均值。 对于将 SpO2 分类低于 92%，特异性提高到 86%，灵敏度为 78%。

研究人员指出，从统计数据来看，该研究并未表明这种方法已准备好用作与当前脉搏血氧计相媲美的医疗设备。 然而，他们指出，从这个小的测试对象样本中看到的性能水平表明，可以通过获取更多的训练样本来提高模型的准确性。

例如，其中一名受试者的手指上有厚厚的老茧，这使得算法更难以准确确定他们的血氧水平。 “如果我们将这项研究扩大到更多的受试者，我们可能会看到更多的人有老茧，更多的人有不同的肤色，”霍夫曼解释说。 “然后我们可能有一个足够复杂的算法来更好地模拟所有这些差异。”

霍夫曼告诉物理世界，该团队没有任何计划立即将这项技术商业化。 “然而，我们已经制定了一项测试计划和拨款提案，这将使我们能够对更大、更多样化的主题组进行测试，以了解这项原理验证研究是否具有可重复性，并有可能为商业重点开发做好准备，”他说.