Diabetes-Screening und -Überwachung anhand von Zungenbildern und selbstberichteten Symptomen: ein maschineller Lernansatz

Sammlung von Zungenbildern Die Sammlung von Zungenbildern wird von geschulten Forschungsassistenten auf der Grundlage unseres veröffentlichten Protokolls (Wang et al., eingereicht) durchgeführt, das aus den folgenden Schritten bestand. Schritt 1: Starten Sie die Kamerafunktion des Telefons, ohne einen Filter oder eine Funktion der künstlichen Intelligenz (A.I.) zu verwenden; Schritt 2, schalten Sie den Blitz ein; Schritt 3: Zielen Sie auf die Lippen des Motivs, indem Sie das Telefon in einem 45-Grad-Winkel direkt vor das Motiv und in einem Abstand von 15 bis 20 cm davon halten. Schritt 4: Tippen Sie auf den Bildschirm, um den Fokus anzupassen, wenn das Motiv aus der Zunge herausragt, und nehmen Sie dann ein Bild auf. Schritt 5: Laden Sie das Bild in voller Auflösung in das Online-Fragebogensystem hoch (Qualtrics-Umfragesoftware).

Sammlung von Fragebögen zur chinesischen Medizin Ein Fragebogen in elektronischer/Papierform wird verwendet, um Symptome zu sammeln, die für die Diagnose von Diabetes nach Mustern der chinesischen Medizin relevant sind. Die Fragen wurden aus früheren Studien zu den am häufigsten auftretenden Symptomen von Diabetes aus Sicht der chinesischen Medizin ausgewählt (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Alter, Geschlecht, Gewicht, Größe, Dauer des Diabetes, familiäre Vorgeschichte von Diabetes und Begleiterkrankungen, Hb-Wert (falls verfügbar) werden ebenfalls berücksichtigt. Das Rauchen in der jüngeren Vergangenheit wird auch als potenzieller Störfaktor für Merkmale des Zungenbelags erfasst (Tomooka et al., 2017)

Dateneingabe und Überprüfung Um Genauigkeit zu gewährleisten, werden Bild, Fragebogenantworten und HbA1c- (und Hb-, falls verfügbar) Messwerte gleichzeitig auf den Server hochgeladen. Eine Patientenidentifikationsnummer für die Studie wird ebenfalls generiert, um die Datenüberprüfung zu erleichtern. Eine solche Identifikationsnummer besteht aus Informationen über Datenerfassungsdatum und Ambulanznummer usw. Es enthält jedoch keine Informationen in Bezug auf die HKID des Patienten, den vollständigen Patientennamen, HN, MRN, Geburtsdatum, Adresse oder Telefonnummer.

Die Daten werden von einem Online-Fragebogendienst mit Qualtrics erfasst und dann auf einem lokalen Computer bei SCM/HKBU gespeichert. Bei Bedarf kann eine Papierversion des Fragebogens verwendet werden, und der ausgefüllte Fragebogen wird für 3 Jahre nach der Studie aufbewahrt. Das gesammelte Bild enthält keine Augenmerkmale auf dem Foto, und der Fragebogen enthält keine Informationen zur Identifizierung des Probanden, außer einer Probanden-ID-Nummer für die Studie. Nach Abschluss des Projekts werden Daten auf Qualtrics gelöscht, während Daten auf dem lokalen Computer gemäß den Anforderungen der Institution sieben Jahre nach Veröffentlichung der Studie aufbewahrt werden.

Maschinelles Lernen Beim maschinellen Lernen werden zwei Ansätze verwendet. Im ersten Ansatz werden wir zunächst eine Bildklassifizierung von entweder normalem oder abnormalem HbA1c durchführen und die Wahrscheinlichkeiten für die Klassifizierung mithilfe von Convolutional Neural Networks (CNNs) generieren (Anwar et al., 2016; Ødegaard et al., 2016). Dann versuchen wir, die Bilder entsprechend ihrem HbA1c-Wert in vier verschiedene Klassen einzuteilen: <6 % (normal), 6-6,4 % (Prädiabetes), 6,5-8,9 % (Diabetes) und ≥ 9 % (Diabetes mit hohem HbA1c). Die Wahrscheinlichkeitsdaten der Bildklassifizierung werden mit Daten aus dem Fragebogen als Variablen kombiniert, wobei vollständig verbundene CNNs-Schichten verwendet werden, um zu bestimmen, zu welchem ​​​​der vier HbA1c-Werte das Subjekt gehört (Osia et al., 2018). Der Vorteil dieses Ansatzes besteht darin, dass wir die Sensitivität und Spezifität der Klassifikationen allein anhand des Zungenbildes bestimmen können. Ein Nachteil dieses Ansatzes ist jedoch, dass bei der Klassifikation mit Fragebogendaten einige wichtige Merkmale der Zunge verloren gehen können. Alternativ werden wir mithilfe von CNNs Merkmale aus jedem Zungenbild extrahieren und eine Hot-Codierung verwenden, um die Merkmale in eine eindimensionale Matrix zu übertragen, die das Mischen von Bilddaten mit Fragebogendaten für die Regressionsanalyse mithilfe eines neuronalen Netzwerks ermöglicht.

Ein separater Testdatensatz, der mindestens 200 negative und 200 positive Bilder enthält, wird verwendet, um die Sensitivität und Spezifität der erhaltenen Algorithmen zu bewerten. Im endgültigen Algorithmus werden Sensitivität, Spezifität, positiver prädiktiver Wert (PPV) und negativer prädiktiver Wert (NPV) angegeben.

Mögliche Probleme und experimentelle Alternativen

Mögliches Problem 1:

Es ist sehr wahrscheinlich, dass die Merkmale des Zungenbildes nicht ausschließlich auf einen abnormalen HbA1c-Spiegel zurückzuführen sind, und dass sie auch bei Rauchern und einigen akuten und chronischen Erkrankungen wie COPD, Infektionen der oberen Atemwege und chronischen Nieren- oder Lebererkrankungen vorhanden sind.

Experimentelle Alternativen:

Wir haben unseren Fragebogen jetzt um einen Abschnitt für Rauchergeschichte und bekannte akute oder chronische Krankheiten erweitert. Wenn wir eine signifikante Korrelation zwischen bestimmten verwirrenden Variablen mit einer abnormalen HbA1c-Zungendiagnose finden, würden wir den zukünftigen Benutzer vor der Unzuverlässigkeit des Algorithmus warnen, wenn er in einer Population mit der verwirrenden Erkrankung verwendet wird. Darüber hinaus würden wir die Gewichtung der Parameter im Fragebogen anpassen, um ein Vorhersagemodell mit angemessener Spezifität und Sensitivität zu erhalten, selbst für Populationen mit der genannten Erkrankung.

Mögliches Problem 2:

Die Ergebnisse der maschinellen Klassifizierung aus dem gesammelten Zungenbilddatensatz zeigen eine geringe Spezifität und Sensitivität bei der Vorhersage der vier HbA1c-Werte, selbst nach Aufnahme von Parametern in den TCM-Fragebogen.

Experimentelle Alternativen:

Da wir das Blutfettprofil der Probanden aus dem Krankenhaus erfassen, sobald verfügbar, können wir unsere Ergebnisse während der Untersuchung analysieren. Wenn unsere Gesamtprobenpopulation 2.000 erreicht und wir immer noch eine schlechte Spezifität und Sensitivität feststellen, werden wir den Blutfettprofiltest in unsere Community-Probanden aufnehmen. Durch Hinzufügen des Blutfettprofils als Parameter in unserem Regressionsmodell sollten wir in der Lage sein, die Spezifität und Empfindlichkeit der Vorhersage zu verbessern, da frühere Studien eine enge Korrelation zwischen einem hohen HbA1c-Spiegel und Dyslipidämie gefunden haben (Khan et al., 2007). Natürlich wollen wir das nicht, weil es den Wert unseres Vorhersagemodells mindert, da es ein invasives Verfahren erfordert, um ein Blutfettprofil zu erhalten. Dennoch sind wir zuversichtlich, dass zumindest ein nicht-invasives Modell zum Nachweis abnormaler HbA1c-Spiegel (≥ 6,5 %) basierend auf den Ergebnissen unserer Proof-of-Concept-Studie erstellt werden kann.

Mögliches Problem 3:

Die Bildmerkmale, die für die Klassifizierung von normalen und abnormalen HbA1c-Werten (≥6,5 %) verantwortlich sind, konnten nicht ohne weiteres identifiziert werden.

Experimentelle Alternativen:

Die Extraktion visueller Merkmale, die eine semantische und robuste Darstellung von Zungenbildern mit abnormalen HbA1c-Werten liefern können, ist sehr wünschenswert. Der schmierige und dicke Belag, den wir als Merkmale für die Einstufung identifiziert haben, muss weiter definiert werden. Zu diesem Zweck werden wir verschiedene in der Literatur vorgeschlagene Techniken ausprobieren (Ching et al., 2018), einschließlich der Zuweisung beispielspezifischer Wichtigkeitswerte, Anpassung oder Übertreibung der verborgenen Repräsentation, Aktivierungsmaximierung und Manipulation des latenten Raums usw.