A cukorbetegség szűrése és nyomon követése nyelvi képek és saját maguk által jelentett tünetek segítségével: gépi tanulási megközelítés

Nyelvképgyűjtés A nyelvi képgyűjtést képzett kutatói asszisztensek végzik közzétett protokollunk (Wang et al., benyújtva) alapján, amely a következő lépésekből állt. 1. lépés: indítsa el a telefon kamera funkcióját szűrő vagy mesterséges intelligencia (A.I.) funkció használata nélkül; 2. lépés: kapcsolja be a vakut; 3. lépés: Célozza meg az alany ajkait úgy, hogy a telefont közvetlenül a téma elé és attól 15-20 cm-re tartja 45 fokos szögben; 4. lépés, érintse meg a képernyőt a fókusz beállításához, amikor a téma kilóg a nyelvből, majd készítsen képet; 5. lépés, töltse fel a képet teljes felbontásban az online kérdőíves rendszerbe (Qualtrics felmérés szoftver).

Kínai orvoslás kérdőív gyűjtemény Elektronikus/papír formátumú kérdőív segítségével gyűjtjük össze a cukorbetegség kínai orvoslási mintadiagnózisával kapcsolatos tüneteket. A kérdéseket a kínai orvoslás szemszögéből a cukorbetegség leggyakrabban megjelenő tüneteivel foglalkozó korábbi tanulmányokból válogattuk ki (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Az életkor, a nem, a testsúly, a magasság, a cukorbetegség időtartama, a családban előfordult cukorbetegség és bármely társbetegség, a Hb-érték (ha van) szintén figyelembe vehető. A dohányzás közelmúltbeli történetét is feljegyezték a nyelv bevonatának lehetséges zavaró tényezőjeként (Tomooka et al., 2017).

Adatbevitel és ellenőrzés A pontosság érdekében a kép, a kérdőíves válaszok és a HbA1c (és a Hb, ha elérhető) leolvasások egyidejűleg kerülnek feltöltésre a szerverre. A vizsgálathoz egy betegazonosító számot is generálnak az adatok ellenőrzésének megkönnyítése érdekében. Ez az azonosító szám az adatfelvétel dátumára és a járóbeteg-számra stb. vonatkozó információkból áll. Nem tartalmaz azonban semmilyen információt a páciens HKID-jére, teljes nevére, HN-ére, MRN-ére, DOB-jára, címére vagy telefonszámára.

Az adatokat egy online kérdőíves szolgáltatás gyűjti össze a Qualtrics segítségével, majd az SCM/HKBU helyi számítógépén tárolja. Szükség esetén a kérdőív papíralapú változata is felhasználható, a kitöltött kérdőívet a vizsgálat után 3 évig megőrizzük. Az összegyűjtött kép a fotón nem tartalmaz szemjellemzőket, és a kérdőív nem tartalmaz semmilyen információt az alany azonosításához, kivéve a vizsgálat alanyazonosítóját. A projekt befejezése után a Qualtrics adatai törlésre kerülnek, míg a helyi számítógépen lévő adatokat a tanulmány közzétételétől számított hét évig megőrzik az intézményi igényeknek megfelelően.

Gépi tanulás A gépi tanulásban két megközelítést alkalmaznak. Az első megközelítésben először elvégezzük a normál vagy abnormális HbA1c képbesorolását, és a konvolúciós neurális hálózatok (CNN-ek) segítségével generáljuk az osztályozás valószínűségét (Anwar és mtsai, 2016; Ødegaard et al., 2016). Ezután megpróbáljuk a képeket négy különböző osztályba sorolni a HbA1c szintjük szerint: <6% (normál), 6-6,4% (prediabétesz), 6,5-8,9% (cukorbetegség) és ≥ 9% (magas HbA1c-vel járó cukorbetegség). A képbesorolás valószínűségi adatait a kérdőívben szereplő adatokkal kombináljuk, mint változókat teljesen összekapcsolt CNN-rétegek segítségével annak meghatározására, hogy a négy HbA1c szint közül melyikhez tartozik az alany (Osia et al., 2018). Ennek a megközelítésnek az az előnye, hogy lehetővé teszi az osztályozások érzékenységének és specificitásának meghatározását a nyelvkép segítségével. Ennek a megközelítésnek a hátránya azonban, hogy a kérdőíves adatokkal történő osztályozás során elveszítheti a nyelv néhány fontos jellemzőjét. Alternatív megoldásként minden egyes nyelvi képből kivonjuk a jellemzőket CNN-ek segítségével, és egy forró kódolást használunk a jellemzők egydimenziós mátrixba történő átviteléhez, amely lehetővé teszi a képadatok és a kérdőíves adatok keverését a regressziós elemzéshez neurális hálózat segítségével.

A kapott algoritmusok érzékenységének és specifitásának értékelésére külön vizsgálati adatkészletet használnak, amely legalább 200 negatív és 200 pozitív képet tartalmaz. A végső algoritmusban az érzékenység, a specificitás, a pozitív prediktív érték (PPV) és a negatív prediktív érték (NPV) kerül jelentésre.

Lehetséges problémák és kísérleti alternatívák

1. lehetséges probléma:

Nagy a valószínűsége annak, hogy a nyelvkép jellemzői nem kizárólagosak a kóros HbA1c-szinttel, hanem a dohányosoknál, valamint egyes akut és krónikus betegségekben is jelen vannak, mint például a COPD, a felső légúti fertőzés, valamint a krónikus vese- vagy májbetegség.

Kísérleti alternatívák:

Kérdőívünkbe most beiktattunk egy részt a dohányzás történetéről és az ismert akut vagy krónikus betegségekről. Ha szignifikáns korrelációt találnánk bizonyos zavaró változók között abnormális HbA1c nyelvdiagnózissal, figyelmeztetnénk a leendő felhasználót az algoritmus megbízhatatlanságára, ha a zavaró állapotú populációban használják. Ezen túlmenően a kérdőívben szereplő paraméterek súlyozását módosítjuk, hogy megfelelő specificitású és érzékenységű előrejelzési modellt kapjunk, még az említett állapotú populációkra is.

2. lehetséges probléma:

Az összegyűjtött nyelvi képadatokból származó gépi osztályozási eredmények gyenge specificitást és érzékenységet mutatnak a négy HbA1c szint előrejelzésében, még a paraméterek TCM kérdőívbe történő felvétele után is.

Kísérleti alternatívák:

Mivel az alanyok vérzsírprofilját gyűjtjük a kórházból, ha rendelkezésre áll, így menet közben elemezhetjük eredményeinket. Amikor a teljes mintapopuláció eléri a 2000-et, és továbbra is gyenge specificitást és érzékenységet tapasztalunk, a vérzsírprofil tesztet bevonjuk közösségi alanyainkba. A regressziós modellben a vér lipidprofiljának paraméterként történő hozzáadásával javítani kell az előrejelzés specificitását és érzékenységét, mivel korábbi tanulmányok szoros összefüggést találtak a magas HbA1c szint és a diszlipidémia között (Khan és mtsai, 2007). Természetesen nem akarjuk, hogy ez megtörténjen, mert ez csökkenti előrejelzési modellünk értékét, mivel invazív eljárást igényel a vér lipidprofiljának megállapítása. Mindazonáltal biztosak vagyunk abban, hogy a HbA1c rendellenes szintjének (≥ 6,5%) kimutatására legalább egy non-invazív modell elkészíthető a koncepciót bizonyító vizsgálatunk eredményei alapján.

3. lehetséges probléma:

A HbA1c normál és abnormális szintjének (≥6,5%) osztályozásáért felelős képjellemzőket nem lehetett könnyen azonosítani.

Kísérleti alternatívák:

Nagyon kívánatos azoknak a vizuális jellemzőknek a kinyerése, amelyek szemantikai és robusztus reprezentációt biztosítanak a nyelvképekről abnormális HbA1c-szinttel. Tovább kell definiálni a zsíros és vastag bevonatot, amelyet az osztályozás jellemzőjeként azonosítottunk. Ennek érdekében különböző, a szakirodalomban javasolt technikákat (Ching et al., 2018) próbálunk ki, beleértve a példaspecifikus fontossági pontszámok hozzárendelését, a rejtett reprezentáció illesztését vagy eltúlzását, az aktiválás maximalizálását és a látens térmanipulációt stb.