舌の画像と自己申告による症状を使用した糖尿病のスクリーニングとモニタリング: 機械学習アプローチ

舌画像収集 舌画像収集は、次の手順で構成された、公開されたプロトコル (Wang et al.、提出) に基づいて、訓練を受けた研究助手によって実施されます。 ステップ 1、フィルターや人工知能 (A.I.) 機能を使用せずに、携帯電話のカメラ機能を開始します。ステップ 2、フラッシュをオンにします。ステップ 3: 携帯電話を被写体の正面から 15 ～ 20 cm 離し、45 度の角度で持ち、被写体の唇に狙いを定めます。ステップ 4: 画面をタップして、被写体が舌からはみ出しているときにフォーカスを調整してから写真を撮ります。ステップ 5、フル解像度の画像をオンライン アンケート システム (Qualtrics 調査ソフトウェア) にアップロードします。

漢方問診票集 糖尿病の漢方パターン診断に関連する症状を電子・紙問診票にて収集します。 質問は、漢方医学の観点から最も一般的に現れる糖尿病の症状に関する以前の研究から選択されています (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017)。 年齢、性別、体重、身長、糖尿病の期間、糖尿病の家族歴および併存疾患、Hb 値 (利用可能な場合) も考慮されます。 最近の喫煙歴も、舌苔の特徴の潜在的な交絡因子として記録されています (Tomooka et al., 2017)。

データ入力と検証 正確性を確保するために、画像、アンケートの回答、および HbA1c (および利用可能な場合は Hb) の測定値が同時にサーバーにアップロードされます。 データ検証を容易にするために、治験の患者識別番号も生成されます。 この識別番号は、データ収集日や外来患者番号などの情報で構成されています。 ただし、患者の HKID、患者の氏名、HN、MRN、生年月日、住所、電話番号に関する情報は含まれません。

データは、Qualtrics を使用したオンライン アンケート サービスによって収集され、SCM/HKBU のローカル コンピューターに保存されます。 必要に応じて紙の調査票を使用することができ、記入済みの調査票は調査後 3 年間保管されます。 収集された画像には、写真の目の特徴は含まれず、アンケートには、試験の被験者 ID 番号を除いて、被験者を識別するための情報は含まれません。 プロジェクトの完了後、Qualtrics 上のデータは削除されますが、ローカル コンピューター上のデータは、機関の要件に従って、調査が公開されてから 7 年間保持されます。

機械学習 機械学習では 2 つのアプローチが使用されます。 最初のアプローチでは、まず正常または異常な HbA1c の画像分類を実行し、畳み込みニューラル ネットワーク (CNN) を使用して分類の確率を生成します (Anwar et al., 2016; Ødegaard et al., 2016)。 次に、画像を HbA1c レベルに応じて 4 つの異なるクラスに分類しようとします: <6% (正常)、6-6.4% (前糖尿病)、6.5-8.9% (糖尿病) および 9% 以上 (高 HbA1c の糖尿病)。 画像分類の確率データは、被験者が 4 つの HbA1c レベルのどれに属するかを決定するために、完全に接続された CNN レイヤーを使用して変数としてアンケートからのデータと組み合わされます (Osia et al., 2018)。 このアプローチの利点は、舌の画像のみを使用して分類の感度と特異性を決定できることです。 ただし、このアプローチの欠点は、質問票データによる分類で舌の重要な特徴の一部が失われる可能性があることです。 または、CNN を使用して各舌画像から特徴を抽出し、1 つのホット エンコーディングを使用して特徴を 1 次元マトリックスに転送します。これにより、ニューラル ネットワークを使用した回帰分析のために、画像データとアンケート データをブレンドできます。

得られたアルゴリズムの感度と特異性を評価するために、少なくとも 200 枚のネガティブ画像と 200 枚のポジティブ画像を含む別のテスト データ セットが使用されます。 最終的なアルゴリズムでは、感度、特異度、陽性適中率 (PPV)、陰性適中率 (NPV) が報告されます。

潜在的な問題と実験的代替案

潜在的な問題 1:

舌の画像の特徴は、HbA1c の異常レベルに限定されない可能性が高く、喫煙者や、COPD、上気道感染症、慢性腎臓病または肝臓病などの一部の急性および慢性疾患にも存在します。

実験的な代替案:

現在、アンケートに喫煙歴と既知の急性または慢性疾患のセクションが含まれています。 特定の交絡変数と異常な HbA1c 舌診断との間に有意な相関関係が見つかった場合、将来のユーザーに対して、交絡条件のある集団で使用した場合のアルゴリズムの信頼性が低いことを警告します。 さらに、アンケートのパラメーターの重み付けを調整して、上記の状態の集団に対しても、妥当な特異性と感度を備えた予測モデルを実現します。

潜在的な問題 2:

収集された舌画像データ セットからの機械分類の結果は、TCM アンケートにパラメーターを含めた後でも、4 つの HbA1c レベルを予測する際の特異性と感度が低いことを示しています。

実験的な代替案:

被験者の血中脂質プロファイルが利用可能になったら病院から収集するので、結果を分析することができます。 総サンプル数が 2,000 に達しても特異度と感度が低い場合は、コミュニティの被験者に血中脂質プロファイル テストを含めます。 血中脂質プロファイルを回帰モデルのパラメーターとして追加することで、予測の特異性と感度を高めることができるはずです。以前の研究では、高レベルの HbA1c と脂質異常症との間に密接な相関関係があることがわかっているためです (Khan et al., 2007)。 もちろん、血中脂質プロファイルを取得するために侵襲的な手順が必要になるため、予測モデルの値が低下するため、これが発生することは望ましくありません. それにもかかわらず、概念実証研究の結果に基づいて、異常なレベルの HbA1c (≥ 6.5%) を検出するための少なくとも非侵襲的なモデルを作成できると確信しています。

潜在的な問題 3:

HbA1c の正常レベルと異常レベル (6.5% 以上) の分類に関与する画像の特徴は、容易に特定できませんでした。

実験的な代替案:

異常なレベルの HbA1c を含む舌画像のセマンティックで堅牢な表現を提供できる視覚的特徴の抽出が非常に望ましいです。 分類の特徴として特定した脂っこくて厚いコーティングは、さらに定義する必要があります。 この目的のために、文献 (Ching et al., 2018) で提案されているさまざまな手法を試します。これには、例固有の重要度スコアの割り当て、隠れ表現の一致または誇張、活性化の最大化、潜在空間の操作などが含まれます。