혈액형 결정은 시간 소모가 크고 자원을 많이 소모하는 전통적인 임상 절차입니다. 본 논문에서는 지문 이미지를 이용한 자동 혈액형 분류를 위한 심층 학습 기반 접근 방식을 제시합니다. A+, A-, B+, B-, AB+, AB-, O+, O- 혈액형을 다루는 8 클래스 분류기를 개발하였으며, 약 6,000개의 지문 이미지가 포함된 균형 잡힌 데이터셋으로 훈련하였습니다. 클래스 불균형 문제를 해결하기 위해 사용자 정의 오버샘플링 전략을 사용하여 데이터셋의 균형을 맞추었습니다. CNN 아키텍처는 깊이(32, 64, 128, 256, 512)가 증가하는 5개의 합성곱 블록, 맥스 풀링, 드롭아웃 정규화 및 소프트맥스 출력 레이어를 사용합니다. 훈련은 효율성을 위한 콜백을 가진 아담 옵티마이저를 사용하여 최적화되었습니다. 제안된 모델은 93%의 검증 정확도를 달성하며 정밀도는 0.98, F1 점수는 0.96에 이릅니다. 훈련된 모델은 Flask REST API를 통해 배포되며, 반응형 HTML/CSS/JS 프론트엔드를 제공하여 지문 업로드로부터 실시간 혈액형 추론이 가능합니다.
Anil et al. (Fri,)은 이 질문을 연구하였습니다.