Diabeteksen seulonta ja seuranta kielikuvien ja itse ilmoittamien oireiden avulla: koneoppimisen lähestymistapa

Kielen kuvien kerääminen Kielen kuvien keräämisen suorittavat koulutetut tutkimusavustajat julkaistun protokollamme (Wang et al., lähetetty) perusteella, joka koostui seuraavista vaiheista. Vaihe 1, käynnistä puhelimen kameratoiminto ilman suodatin- tai tekoälytoimintoa (A.I.); Vaihe 2, kytke salama päälle; Vaihe 3, tähtää kohteen huuliin pitämällä puhelinta suoraan kohteen edessä ja 15–20 cm:n päässä siitä 45 asteen kulmassa; Vaihe 4, napauta näyttöä säätääksesi tarkennusta, kun kohde työntyy kielestä ja ota sitten kuva; Vaihe 5, lataa kuva täydellä resoluutiolla online-kyselyjärjestelmään (Qualtrics-kyselyohjelmisto).

Kiinalaisen lääketieteen kyselylomakekokoelma Sähköisessä/paperimuodossa olevalla kyselylomakkeella kerätään kiinalaisen lääketieteen diabeteksen diagnosointiin liittyviä oireita. Kysymykset on valittu aikaisemmista tutkimuksista yleisimmin ilmaantuvista diabeteksen oireista kiinalaisen lääketieteen näkökulmasta (Hsu ym., 2016; Zhou ym., 2012; Zhao et al., 2017). Ikä, sukupuoli, paino, pituus, diabeteksen kesto, suvussa esiintynyt diabetes ja mahdollinen rinnakkaissairaus, Hb-lukema (jos saatavilla) otetaan myös huomioon. Tupakoinnin viimeaikainen historia on myös kirjattu mahdolliseksi hämmentäväksi tekijäksi kielen pinnoiteominaisuuksissa (Tomooka et al., 2017)

Tietojen syöttäminen ja tarkistaminen Tarkkuuden varmistamiseksi kuva, kyselyvastaukset ja HbA1c (ja Hb, jos saatavilla) lukemat ladataan palvelimelle samanaikaisesti. Tutkimusta varten luodaan myös potilastunnus tietojen tarkistamisen helpottamiseksi. Tällainen tunnistenumero koostuu tiedoista tiedonkeruupäivämäärästä ja poliklinikkanumerosta jne. Se ei kuitenkaan sisällä tietoja potilaan HKID:stä, potilaan koko nimestä, HN:stä, MRN:stä, DOB:sta, osoitteesta tai puhelinnumerosta.

Tiedot kerätään online-kyselylomakkeella Qualtricsia käyttäen ja tallennetaan sitten paikalliselle tietokoneelle SCM/HKBU:ssa. Kyselystä voidaan tarvittaessa käyttää paperiversiota ja täytettyä kyselylomaketta säilytetään 3 vuotta tutkimuksen jälkeen. Kerätyssä kuvassa ei ole valokuvassa silmän piirteitä, eikä kyselylomakkeessa ole tietoja tutkittavan tunnistamiseksi, lukuun ottamatta kokeen kohteen tunnusnumeroa. Projektin päätyttyä Qualtricsin tiedot poistetaan, kun taas paikallisen tietokoneen tiedot säilytetään seitsemän vuotta tutkimuksen julkaisun jälkeen laitoksen vaatimusten mukaisesti.

Koneoppiminen Koneoppimisessa käytetään kahta lähestymistapaa. Ensimmäisessä lähestymistavassa suoritamme ensin joko normaalin tai epänormaalin HbA1c:n kuvaluokituksen ja luomme luokituksen todennäköisyydet käyttämällä konvoluutiohermoverkkoja (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Sitten yritämme luokitella kuvat neljään eri luokkaan niiden HbA1c-tason mukaan: <6% (normaali), 6-6,4% (prediabetes), 6,5-8,9% (diabetes) ja ≥ 9 % (diabetes, jonka HbA1c on korkea). Kuvien luokittelun todennäköisyystiedot yhdistetään kyselylomakkeen tietoihin muuttujina käyttämällä täysin yhdistettyjä CNN-kerroksia, jotta voidaan määrittää, mihin neljästä HbA1c-tasosta koehenkilö kuuluu (Osia et al., 2018). Tämän lähestymistavan etuna on, että sen avulla voimme määrittää luokittelujen herkkyyden ja spesifisyyden pelkän kielen kuvan avulla. Tämän lähestymistavan haittapuolena on kuitenkin se, että se voi menettää joitakin tärkeitä kielen piirteitä luokittelussa kyselytietojen avulla. Vaihtoehtoisesti poimimme piirteitä kustakin kielikuvasta CNN-verkkojen avulla ja käytämme yhtä kuumakoodausta ominaisuuksien siirtämiseen yksiulotteiseen matriisiin, mikä mahdollistaa kuvatietojen yhdistämisen kyselytietoihin regressioanalyysiä varten hermoverkon avulla.

Saatujen algoritmien herkkyyden ja spesifisyyden arvioimiseen käytetään erillistä testausaineistoa, joka sisältää vähintään 200 negatiivista ja 200 positiivista kuvaa. Lopullisessa algoritmissa raportoidaan herkkyys, spesifisyys, positiivinen ennustearvo (PPV) ja negatiivinen ennustearvo (NPV).

Mahdolliset ongelmat ja kokeelliset vaihtoehdot

Mahdollinen ongelma 1:

On erittäin todennäköistä, että kielen kuvan piirteet eivät liity yksinomaan HbA1c:n epänormaaliin tasoon, ja niitä esiintyy myös tupakoitsijoilla ja joillakin akuuteilla ja kroonisilla sairauksilla, kuten keuhkoahtaumatauti, ylempien hengitysteiden infektio ja krooninen munuais- tai maksasairaus.

Kokeelliset vaihtoehdot:

Olemme nyt sisällyttäneet kyselyymme osion tupakointihistoriasta ja tunnetuista akuuteista tai kroonisista sairauksista. Jos havaitsisimme merkittävän korrelaation tiettyjen hämmentäviä muuttujia epänormaalin HbA1c-kielen diagnoosin kanssa, varoitamme tulevaa käyttäjää algoritmin epäluotettavuudesta, kun sitä käytetään populaatiossa, jolla on hämmentävä tila. Lisäksi muuttaisimme kyselylomakkeen parametrien painotusta saavuttaaksemme kohtuullisen spesifisyyden ja herkkyyden ennustemallin myös populaatioille, joilla on mainittu sairaus.

Mahdollinen ongelma 2:

Koneen luokittelutulokset kerätystä kielen kuvadatasarjasta osoittavat huonoa spesifisyyttä ja herkkyyttä neljän HbA1c-tason ennustamisessa, jopa sen jälkeen, kun parametrit on sisällytetty TCM-kyselyyn.

Kokeelliset vaihtoehdot:

Koska keräämme koehenkilöiden veren lipidiprofiilia sairaalasta, kun se on mahdollista, voimme analysoida tuloksiamme edetessämme. Kun kokonaisnäytepopulaatiomme saavuttaa 2 000 ja näemme edelleen huonon spesifisyyden ja herkkyyden, sisällytämme veren lipidiprofiilitestin yhteisön koehenkilöillemme. Lisäämällä veren lipidiprofiilin parametreiksi regressiomalliimme, meidän pitäisi pystyä parantamaan ennusteen spesifisyyttä ja herkkyyttä, sillä aikaisemmat tutkimukset ovat löytäneet läheisen korrelaation korkean HbA1c-tason ja dyslipidemian välillä (Khan et al., 2007). Emme tietenkään halua tämän tapahtuvan, koska se alentaa ennustemallimme arvoa, koska se vaatii invasiivisen toimenpiteen veren lipidiprofiilin saamiseksi. Siitä huolimatta olemme varmoja, että ainakin ei-invasiivinen malli HbA1c:n epänormaalin tason (≥ 6,5 %) havaitsemiseksi voidaan tuottaa konseptitutkimuksemme tulosten perusteella.

Mahdollinen ongelma 3:

Normaalien ja epänormaalien HbA1c-tasojen (≥6,5 %) luokittelusta vastuussa olevia kuvan ominaisuuksia ei voitu tunnistaa helposti.

Kokeelliset vaihtoehdot:

On erittäin toivottavaa poimia visuaalisia piirteitä, jotka voivat tarjota semanttisen ja vankan esityksen kielikuvista, joissa on epänormaalit HbA1c-tasot. Rasvainen ja paksu pinnoite, jonka olemme tunnistaneet luokituksen ominaisuuksiksi, on määriteltävä tarkemmin. Tätä varten kokeillaan erilaisia ​​kirjallisuudessa ehdotettuja tekniikoita (Ching et al., 2018), mukaan lukien esimerkkikohtaisten tärkeyspisteiden antaminen, piilotetun esityksen sovittaminen tai liioitteleminen, aktivaation maksimointi ja piilevän tilan manipulointi jne.