AnemiaVision: Non-Invasive Anemia Detection via Smartphone Imagery Using EfficientNet-B3 with TrivialAugmentWide, Mixup Augmentation, and Persistent Patient History Management

Riassunto Tecnico: AnemiaVision – Rilevamento non invasivo dell'anemia tramite immagini smartphone

1. Il Problema (Problem Statement)

L'anemia colpisce oltre un miliardo di persone nel mondo, con un impatto sproporzionato nelle regioni a basse risorse (come le zone rurali dell'India), dove l'accesso ai test ematici di laboratorio (Gold Standard: emocromo o CBC) è limitato dalla mancanza di infrastrutture, reagenti e personale specializzato. Sebbene i misuratori portatili esistano, richiedono comunque un prelievo capillare (puntura del dito). Il problema affrontato da questo studio è la creazione di uno strumento di screening non invasivo, economico e accessibile che utilizzi la semplice fotografia di aree corporee altamente vascolarizzate (congiuntiva palpebrale e letti ungueali) per rilevare la pallore associato all'anemia.

2. Metodologia (Methodology)

Il sistema, denominato AnemiaVision, si basa su una pipeline end-to-end che integra deep learning e un'architettura web robusta.

• Architettura del Modello: È stato utilizzato il backbone EfficientNet-B3, scelto per l'ottimale compromesso tra accuratezza e complessità computazionale (FLOPs). L'autore ha sostituito l'originale strato lineare finale con un classifier head ridisegnato a tre strati, che include:
  • Strati densi con attivazione GELU (più fluida rispetto alla ReLU).
  • BatchNorm per la stabilizzazione.
  • Dropout ad alto tasso (0.45 e 0.35) per prevenire l'overfitting su dataset medici di piccole dimensioni.
• Pipeline di Data Augmentation: Per massimizzare la robustezza del modello, è stato implementato un protocollo di aumento dati avanzato:
  • TrivialAugmentWide: Per una politica di trasformazione fotometrica automatica.
  • RandomErasing: Per la regolarizzazione spaziale.
  • Mixup ($\alpha=0.2$): Per la regolarizzazione inter-classe tramite interpolazione lineare di campioni e label.
• Strategia di Training: È stata adottata una tecnica di fine-tuning a due fasi (prima il classifier head, poi il backbone con learning rate differenziale) e uno scheduling con cosine-annealing e linear warmup. Un contributo metodologico chiave è l'early stopping basato sull'accuratezza di validazione anziché sulla perdita (loss), per evitare arresti prematuri dovuti a oscillazioni della loss in epoche ad alta varianza.
• Implementazione Software: Un'applicazione web basata su Flask e PostgreSQL (su piattaforma Render) che garantisce la persistenza della cronologia dei pazienti tramite migrazioni automatiche del database.

3. Contributi Chiave (Key Contributions)

1. Pipeline di Augmentation allo Stato dell'Arte: Combinazione di TrivialAugmentWide, RandomErasing e Mixup su EfficientNet-B3, che eleva significativamente la capacità di generalizzazione.
2. Ottimizzazione del Training: Introduzione dell'early stopping basato sull'accuratezza, risolvendo il problema del "premature termination" riscontrato nei modelli baseline.
3. Sistema di Produzione Completo: Non solo un modello, ma un'infrastruttura web che include la gestione persistente dei dati dei pazienti e la generazione di report PDF, rendendolo uno strumento potenzialmente utilizzabile da operatori sanitari comunitari.

4. Risultati (Results)

Il sistema ha mostrato un miglioramento drastico rispetto al modello baseline (addestrato su CPU con poche epoche):

L'analisi di ablazione (Ablation Study) ha confermato che l'incremento maggiore di accuratezza è derivato dalla corretta durata del training, seguita dai benefici apportati dalle tecniche di augmentation (TrivialAugmentWide e Mixup). La sensibilità del 96% è particolarmente rilevante in ambito clinico, poiché minimizza i falsi negativi (casi di anemia non rilevati).

5. Significato e Conclusioni (Significance)

AnemiaVision dimostra che è possibile ottenere prestazioni competitive con i modelli allo stato dell'arte (come i Vision Transformers) utilizzando architetture più leggere ed efficienti come EfficientNet, rendendole adatte all'implementazione su dispositivi mobili o edge.

Il sistema si posiziona come uno strumento di screening di primo livello: non sostituisce la diagnosi di laboratorio, ma funge da triage intelligente. In un contesto rurale, può permettere a un operatore sanitario di identificare rapidamente i soggetti ad alto rischio, ottimizzando le risorse mediche e riducendo i ritardi diagnostici che, in molte aree del mondo, portano a conseguenze cliniche gravi.