Detección y control de la diabetes mediante imágenes de la lengua y síntomas autoinformados: un enfoque de aprendizaje automático

Recolección de imágenes de la lengua La recolección de imágenes de la lengua será realizada por asistentes de investigación capacitados según nuestro protocolo publicado (Wang et al., presentado), que consistió en los siguientes pasos. Paso 1, inicie la función de cámara del teléfono sin usar ningún filtro o función de inteligencia artificial (I.A.); Paso 2, enciende el flash; Paso 3, apunte a los labios del sujeto sosteniendo el teléfono directamente en frente y a 15-20 cm del sujeto con un ángulo de 45 grados; Paso 4, toca la pantalla para ajustar el enfoque cuando el sujeto sobresale la lengua y luego toma una foto; Paso 5, cargue la imagen en resolución completa en el sistema de cuestionarios en línea (software de encuestas Qualtrics).

Recopilación de cuestionarios de medicina china Se utilizará un cuestionario en formato electrónico/en papel para recopilar síntomas relevantes para el diagnóstico de patrón de diabetes de la medicina china. Las preguntas han sido seleccionadas de estudios previos sobre los síntomas más comunes de la diabetes desde la perspectiva de la medicina china (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). También se tendrán en cuenta la edad, el sexo, el peso, la altura, la duración de la diabetes, los antecedentes familiares de diabetes y cualquier enfermedad comórbida, la lectura de Hb (si está disponible). El historial reciente de tabaquismo también se registra como un posible factor de confusión para las características del revestimiento de la lengua (Tomooka et al., 2017)

Entrada y verificación de datos Para garantizar la precisión, la imagen, las respuestas al cuestionario y las lecturas de HbA1c (y Hb, si está disponible) se cargarán en el servidor al mismo tiempo. También se generará un número de identificación del paciente para el ensayo para facilitar la verificación de datos. Dicho número de identificación consiste en información sobre la fecha de recolección de datos y el número de paciente externo, etc. Sin embargo, no contendrá ninguna información relacionada con el HKID del paciente, el nombre completo del paciente, HN, MRN, DOB, dirección o número de teléfono.

Los datos serán recopilados por un servicio de cuestionarios en línea utilizando Qualtrics y luego se almacenarán en una computadora local en SCM/HKBU. Se puede utilizar una versión en papel del cuestionario cuando sea necesario, y el cuestionario completado se conservará durante 3 años después del estudio. La imagen recopilada no contendrá rasgos oculares en la foto, y el cuestionario no incluirá ninguna información para la identificación del sujeto, excepto un número de identificación del sujeto para el ensayo. Una vez finalizado el proyecto, los datos de Qualtrics se eliminarán, mientras que los datos de la computadora local se conservarán durante siete años después de la publicación del estudio, según los requisitos de la institución.

Aprendizaje automático Se utilizarán dos enfoques en el aprendizaje automático. En el primer enfoque, primero realizaremos la clasificación de imágenes de HbA1c normal o anormal y generaremos las probabilidades para la clasificación utilizando redes neuronales convolucionales (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). A continuación intentaremos clasificar las imágenes en cuatro clases diferentes según su nivel de HbA1c: <6% (normal), 6-6,4% (prediabetes), 6,5-8,9% (diabetes) y ≥ 9% (diabetes con HbA1c elevada). Los datos de probabilidad de la clasificación de imágenes se combinarán con los datos del cuestionario como variables utilizando capas de CNN completamente conectadas para determinar a cuál de los cuatro niveles de HbA1c pertenece el sujeto (Osia et al., 2018). La ventaja de este enfoque es que nos permite determinar la sensibilidad y especificidad de las clasificaciones usando solo la imagen de la lengua. Sin embargo, un inconveniente de este enfoque es que puede perder algunas características importantes de la lengua en la clasificación con datos de cuestionarios. Alternativamente, extraeremos las características de cada imagen de la lengua usando CNN y usaremos una codificación en caliente para transferir las características a una matriz unidimensional, lo que permitirá combinar los datos de la imagen con los datos del cuestionario para el análisis de regresión usando una red neuronal.

Se utilizará un conjunto de datos de prueba separado, que contiene al menos 200 imágenes negativas y 200 positivas, para evaluar la sensibilidad y la especificidad de los algoritmos obtenidos. En el algoritmo final, se informará la sensibilidad, la especificidad, el valor predictivo positivo (VPP) y el valor predictivo negativo (VPN).

Problemas potenciales y alternativas experimentales

Problema potencial 1:

Es muy probable que las características de la imagen de la lengua no sean exclusivas del nivel anormal de HbA1c, y también están presentes en fumadores y algunas enfermedades agudas y crónicas, como la EPOC, infección de las vías respiratorias superiores y enfermedades renales o hepáticas crónicas.

Alternativas experimentales:

Ahora hemos incluido una sección para antecedentes de tabaquismo y enfermedades agudas o crónicas conocidas en nuestro cuestionario. Si encontráramos una correlación significativa entre ciertas variables de confusión con un diagnóstico anormal de HbA1c en lengua, advertiríamos al futuro usuario sobre la falta de confiabilidad del algoritmo cuando se usa en una población con la condición de confusión. Además, ajustaríamos la ponderación de los parámetros en el cuestionario para lograr un modelo de predicción con una especificidad y sensibilidad razonables, incluso para poblaciones con dicha condición.

Problema potencial 2:

Los resultados de la clasificación de la máquina del conjunto de datos de imágenes de la lengua recopilados muestran poca especificidad y sensibilidad para predecir los cuatro niveles de HbA1c, incluso después de la inclusión de parámetros en el cuestionario de la MTC.

Alternativas experimentales:

Como recopilaremos el perfil de lípidos en sangre de los sujetos del hospital cuando esté disponible, podemos analizar nuestros resultados sobre la marcha. Cuando nuestra población de muestra total llegue a 2000, y aún veamos una especificidad y sensibilidad deficientes, incluiremos la prueba del perfil de lípidos en sangre para los sujetos de nuestra comunidad. Al agregar el perfil de lípidos en sangre como parámetros en nuestro modelo de regresión, deberíamos poder mejorar la especificidad y la sensibilidad de la predicción, ya que estudios previos han encontrado una estrecha correlación entre el alto nivel de HbA1c y la dislipidemia (Khan et al., 2007). Por supuesto, no deseamos que esto suceda porque reducirá el valor de nuestro modelo de predicción, ya que requiere un procedimiento invasivo para obtener el perfil de lípidos en sangre. No obstante, confiamos en que se pueda producir al menos un modelo no invasivo para la detección de niveles anormales de HbA1c (≥ 6,5 %), según los resultados de nuestro estudio de prueba de concepto.

Problema potencial 3:

Las características de la imagen responsables de la clasificación de niveles normales y anormales de HbA1c (≥6,5 %) no pudieron identificarse fácilmente.

Alternativas experimentales:

Es muy deseable la extracción de características visuales que puedan proporcionar una representación semántica y robusta de las imágenes de la lengua con niveles anormales de HbA1c. La capa grasosa y espesa, que hemos identificado como características para la clasificación, debe definirse más. Para ello, probaremos diferentes técnicas propuestas en la literatura (Ching et al., 2018), entre las que se incluyen la asignación de puntuaciones de importancia específicas de cada ejemplo, el emparejamiento o la exageración de la representación oculta, la maximización de la activación y la manipulación del espacio latente, etc.