Screening e monitoraggio del diabete mediante immagini della lingua e sintomi auto-segnalati: un approccio di apprendimento automatico

Raccolta di immagini della lingua La raccolta di immagini della lingua sarà effettuata da assistenti di ricerca qualificati sulla base del nostro protocollo pubblicato (Wang et al., Presentato), che consisteva nei seguenti passaggi. Passaggio 1, avvia la funzione della fotocamera del telefono senza utilizzare alcun filtro o funzione di intelligenza artificiale (A.I.); Passaggio 2, accendi il flash; Passaggio 3, mirare alle labbra del soggetto tenendo il telefono direttamente davanti ea 15-20 cm di distanza dal soggetto con un angolo di 45 gradi; Passaggio 4, toccare lo schermo per regolare la messa a fuoco quando il soggetto sporge la lingua e quindi scattare una foto; Passaggio 5, caricare l'immagine a piena risoluzione nel sistema di questionari online (software di sondaggi Qualtrics).

Raccolta di questionari di medicina cinese Verrà utilizzato un questionario in formato elettronico/cartaceo per raccogliere sintomi rilevanti per la diagnosi del diabete secondo il modello della medicina cinese. Le domande sono state selezionate da studi precedenti sui sintomi più comuni del diabete dal punto di vista della medicina cinese (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Verranno presi in considerazione anche l'età, il sesso, il peso, l'altezza, la durata del diabete, la storia familiare di diabete e di eventuali comorbidità, la lettura di Hb (se disponibile). Anche la storia recente del fumo è registrata come un potenziale fattore di confusione per le caratteristiche del rivestimento della lingua (Tomooka et al., 2017)

Inserimento e verifica dei dati Per garantire l'accuratezza, l'immagine, le risposte al questionario e le letture di HbA1c (e Hb, se disponibili) verranno caricate sul server contemporaneamente. Verrà inoltre generato un numero di identificazione del paziente per la sperimentazione per facilitare la verifica dei dati. Tale numero di identificazione è costituito da informazioni sulla data di raccolta dei dati e sul numero dell'ambulatorio, ecc. Tuttavia, non conterrà alcuna informazione relativa a HKID del paziente, nome completo del paziente, HN, MRN, DOB, indirizzo o numero di telefono.

I dati verranno raccolti da un servizio di questionari online utilizzando Qualtrics e quindi archiviati su un computer locale presso SCM/HKBU. Se necessario, può essere utilizzata una versione cartacea del questionario e il questionario compilato verrà conservato per 3 anni dopo lo studio. L'immagine raccolta non conterrà alcuna caratteristica dell'occhio sulla foto e il questionario non includerà alcuna informazione per l'identificazione del soggetto, ad eccezione di un numero di identificazione del soggetto per la prova. Dopo il completamento del progetto, i dati su Qualtrics verranno eliminati, mentre i dati sul computer locale verranno conservati per sette anni dopo la pubblicazione dello studio, come richiesto dall'istituto.

Apprendimento automatico Nell'apprendimento automatico verranno utilizzati due approcci. Nel primo approccio, eseguiremo prima la classificazione delle immagini di HbA1c normale o anormale e genereremo le probabilità per la classificazione utilizzando reti neurali convoluzionali (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Quindi proveremo a classificare le immagini in quattro diverse classi in base al loro livello di HbA1c: <6% (normale), 6-6,4% (prediabete), 6,5-8,9% (diabete) e ≥ 9% (diabete con HbA1c elevata). I dati di probabilità della classificazione delle immagini saranno combinati con i dati del questionario come variabili utilizzando strati CNN completamente connessi per determinare a quale dei quattro livelli di HbA1c appartiene il soggetto (Osia et al., 2018). Il vantaggio di questo approccio è che ci consente di determinare la sensibilità e la specificità delle classificazioni utilizzando solo l'immagine della lingua. Tuttavia, uno svantaggio di questo approccio è che potrebbe perdere alcune importanti caratteristiche della lingua nella classificazione con i dati del questionario. In alternativa, estrarremo le caratteristiche da ciascuna immagine della lingua utilizzando CNN e utilizzeremo una codifica a caldo per trasferire le caratteristiche in una matrice dimensionale, che consente la fusione dei dati dell'immagine con i dati del questionario per l'analisi della regressione utilizzando la rete neurale.

Un set di dati di test separato, che contiene almeno 200 immagini negative e 200 positive, verrà utilizzato per valutare la sensibilità e la specificità degli algoritmi ottenuti. Nell'algoritmo finale verranno riportati sensibilità, specificità, valore predittivo positivo (PPV) e valore predittivo negativo (NPV).

Problemi potenziali e alternative sperimentali

Possibile problema 1:

È altamente probabile che le caratteristiche dell'immagine della lingua non siano esclusive del livello anormale di HbA1c e siano presenti anche nei fumatori e in alcune malattie acute e croniche, come la BPCO, l'infezione delle vie respiratorie superiori e le malattie renali o epatiche croniche.

Alternative sperimentali:

Ora abbiamo incluso una sezione per la storia del fumo e le malattie acute o croniche conosciute nel nostro questionario. Se trovassimo una correlazione significativa tra alcune variabili confondenti con una diagnosi anomala della lingua HbA1c, avvertiremmo il futuro utente dell'inaffidabilità dell'algoritmo quando viene utilizzato in una popolazione con la condizione confondente. Inoltre, adegueremmo la ponderazione dei parametri nel questionario per ottenere un modello di previsione con ragionevole specificità e sensibilità, anche per le popolazioni con la suddetta condizione.

Possibile problema 2:

I risultati della classificazione della macchina dal set di dati delle immagini della lingua raccolti mostrano una scarsa specificità e sensibilità nella previsione dei quattro livelli di HbA1c, anche dopo l'inclusione dei parametri nel questionario TCM.

Alternative sperimentali:

Poiché raccoglieremo il profilo lipidico del sangue dei soggetti dall'ospedale quando disponibile, possiamo analizzare i nostri risultati mentre procediamo. Quando la nostra popolazione totale del campione raggiunge i 2.000, e vediamo ancora una scarsa specificità e sensibilità, includeremo il test del profilo lipidico del sangue per i nostri soggetti della comunità. Aggiungendo il profilo lipidico del sangue come parametri nel nostro modello di regressione, dovremmo essere in grado di migliorare la specificità e la sensibilità della previsione, poiché studi precedenti hanno trovato una stretta correlazione tra alti livelli di HbA1c e dislipidemia (Khan et al., 2007). Naturalmente, non desideriamo che ciò accada perché abbasserà il valore del nostro modello di previsione, in quanto richiede una procedura invasiva per ottenere il profilo lipidico del sangue. Tuttavia, siamo fiduciosi che possa essere prodotto almeno un modello non invasivo per il rilevamento di livelli anormali di HbA1c (≥ 6,5%), sulla base dei risultati del nostro studio proof-of-concept.

Potenziale problema 3:

Non è stato possibile identificare facilmente le caratteristiche dell'immagine responsabili della classificazione dei livelli normali e anomali di HbA1c (≥6,5%).

Alternative sperimentali:

L'estrazione di caratteristiche visive che possono fornire una rappresentazione semantica e robusta delle immagini della lingua con livelli anormali di HbA1c è altamente auspicabile. Il rivestimento grasso e spesso, che abbiamo identificato come caratteristiche per la classificazione, necessita di essere ulteriormente definito. A tal fine, proveremo diverse tecniche proposte in letteratura (Ching et al., 2018), tra cui l'assegnazione di punteggi di importanza specifici dell'esempio, la corrispondenza o l'esagerazione della rappresentazione nascosta, la massimizzazione dell'attivazione e la manipolazione dello spazio latente, ecc.