Diabetesscreening og -overvågning ved hjælp af tungebilleder og selvrapporterede symptomer: en maskinlæringstilgang

Indsamling af tungebilleder Indsamling af tungebilleder vil blive udført af uddannede forskningsassistenter baseret på vores offentliggjorte protokol (Wang et al., indsendt), som bestod af følgende trin. Trin 1, start telefonens kamerafunktion uden at bruge filter eller kunstig intelligens (A.I.) funktion; Trin 2, tænd for blitzen; Trin 3, sigt mod motivets læber ved at holde telefonen direkte foran, og 15-20 cm væk fra, motivet med en 45 graders vinkel; Trin 4, tryk på skærmen for at justere fokus, når motivet stikker tungen ud, og tag derefter et billede; Trin 5, upload billedet i fuld opløsning til online spørgeskemasystemet (Qualtrics undersøgelsessoftware).

Indsamling af kinesisk medicin spørgeskema Et spørgeskema i elektronisk/papirform vil blive brugt til at indsamle symptomer, der er relevante for kinesisk medicin mønsterdiagnose af diabetes. Spørgsmålene er udvalgt fra tidligere undersøgelser af de mest almindeligt forekommende symptomer på diabetes fra kinesisk medicin perspektiver (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Alder, køn, vægt, højde, varighed af diabetes, familiehistorie med diabetes og enhver comorbid sygdom, Hb-aflæsning (hvis tilgængelig) vil også blive taget i betragtning. Nyere historie med rygning er også registreret som en potentiel forvirrende faktor for tungebelægningsfunktioner (Tomooka et al., 2017)

Dataindtastning og verifikation For at sikre nøjagtighed vil billeder, spørgeskemasvar og HbA1c (og Hb, hvis de er tilgængelige) aflæsninger blive uploadet til serveren på samme tid. Et patientidentifikationsnummer for forsøget vil også blive genereret for at lette dataverifikation. Et sådant identifikationsnummer består af oplysninger om dataindsamlingsdato og ambulatorienummer mv. Den vil dog ikke indeholde nogen information relateret til patientens HKID, fulde patientnavn, HN, MRN, DOB, adresse eller telefonnummer.

Dataene vil blive indsamlet af en online spørgeskematjeneste ved hjælp af Qualtrics og derefter opbevaret på en lokal computer hos SCM/HKBU. En papirversion af spørgeskemaet kan anvendes, når det er nødvendigt, og det udfyldte spørgeskema opbevares i 3 år efter undersøgelsen. Det indsamlede billede vil ikke indeholde øjentræk på billedet, og spørgeskemaet vil ikke indeholde nogen information til identifikation af forsøgspersonen, undtagen et emne-id-nummer for forsøget. Efter projektets afslutning vil data om Qualtrics blive slettet, mens data på den lokale computer vil blive opbevaret i syv år efter at undersøgelsen er offentliggjort i henhold til institutionens krav.

Machine learning To tilgange vil blive brugt i machine learning. I den første tilgang vil vi først udføre billedklassificering af enten normal eller unormal HbA1c og generere sandsynligheden for klassificeringen ved hjælp af foldningsneurale netværk (CNN'er) (Anwar et al., 2016; Ødegaard et al., 2016). Derefter vil vi forsøge at klassificere billederne i fire forskellige klasser efter deres HbA1c-niveau: <6% (normalt), 6-6,4% (prædiabetes), 6,5-8,9% (sukkersyge) og ≥ 9 % (sukkersyge med højt HbA1c). Sandsynlighedsdataene for billedklassificering vil blive kombineret med data fra spørgeskemaet som variabler ved hjælp af fuldt forbundne CNN-lag for at bestemme, hvilket af de fire HbA1c-niveauer emnet tilhører (Osia et al., 2018). Fordelen ved denne tilgang er, at den giver os mulighed for at bestemme følsomheden og specificiteten af ​​klassifikationerne ved at bruge tungebillede alene. Men en ulempe ved denne tilgang er, at den kan miste nogle vigtige træk ved tungen i klassificering med spørgeskemadata. Alternativt vil vi udtrække funktioner fra hvert tungebillede ved hjælp af CNN'er og bruge en varm kodning til at overføre funktionerne til en dimensionel matrix, som muliggør blanding af billeddata med spørgeskemadata til regressionsanalyse ved hjælp af neurale netværk.

Et separat testdatasæt, som indeholder mindst 200 negative og 200 positive billeder, vil blive brugt til at evaluere følsomheden og specificiteten af ​​de opnåede algoritmer. I den endelige algoritme vil sensitivitet, specificitet, positiv prædiktiv værdi (PPV) og negativ prædiktiv værdi (NPV) blive rapporteret.

Potentielle problemer og eksperimentelle alternativer

Potentielt problem 1:

Det er højst sandsynligt, at tungebillederne ikke er eksklusive for unormalt niveau af HbA1c, og de er også til stede hos rygere og nogle akutte og kroniske sygdomme, såsom KOL, øvre luftvejsinfektion og kroniske nyre- eller leversygdomme.

Eksperimentelle alternativer:

Vi har nu inkluderet et afsnit for rygehistorie og kendte akutte eller kroniske sygdomme i vores spørgeskema. Hvis vi fandt en signifikant sammenhæng mellem visse forstyrrende variable med unormal HbA1c-tungediagnose, ville vi advare den fremtidige bruger om algoritmens upålidelighed, når den bruges i en population med den forvirrende tilstand. Endvidere ville vi justere vægtningen af ​​parametre i spørgeskemaet for at opnå en forudsigelsesmodel med rimelig specificitet og sensitivitet, selv for populationer med den nævnte tilstand.

Potentielt problem 2:

Maskinklassificeringsresultater fra det indsamlede tungebilleddatasæt viser dårlig specificitet og sensitivitet ved forudsigelse af de fire HbA1c-niveauer, selv efter inklusion af parametre i TCM-spørgeskemaet.

Eksperimentelle alternativer:

Da vi vil indsamle blodlipidprofiler fra forsøgspersoner fra hospitalet, når de er tilgængelige, kan vi analysere vores resultater, mens vi går. Når vores samlede prøvepopulation når 2.000, og vi stadig ser en dårlig specificitet og sensitivitet, vil vi inkludere blodlipidprofiltest til vores samfundspersoner. Ved at tilføje blodlipidprofil som parametre i vores regressionsmodel burde vi være i stand til at øge specificiteten og sensitiviteten af ​​forudsigelsen, da tidligere undersøgelser har fundet en tæt sammenhæng mellem højt niveau af HbA1c og dyslipidæmi (Khan et al., 2007). Vi ønsker naturligvis ikke, at dette sker, fordi det vil sænke værdien af ​​vores forudsigelsesmodel, da det kræver en invasiv procedure for at opnå blodlipidprofil. Ikke desto mindre er vi sikre på, at der i det mindste kan produceres en ikke-invasiv model til påvisning af unormalt niveau af HbA1c (≥ 6,5%), baseret på resultaterne fra vores proof-of-concept-undersøgelse.

Potentielt problem 3:

Billedegenskaberne, der er ansvarlige for klassificeringen af ​​normale og unormale niveauer af HbA1c (≥6,5%), kunne ikke umiddelbart identificeres.

Eksperimentelle alternativer:

Ekstraktion af visuelle træk, der kan give en semantisk og robust repræsentation af tungebilleder med unormale niveauer af HbA1c, er yderst ønskeligt. Den fedtede og tykke belægning, som vi har identificeret som funktioner til klassificeringen, skal defineres yderligere. Til dette formål vil vi prøve forskellige teknikker, der er foreslået i litteraturen (Ching et al., 2018), herunder tildeling af eksempelspecifikke betydningsscores, matchning eller overdrivelse af den skjulte repræsentation, aktiveringsmaksimering og latent rummanipulation osv.