혀 이미지와 자가 보고된 증상을 사용한 당뇨병 검사 및 모니터링: 머신 러닝 접근 방식

혀 이미지 수집 혀 이미지 수집은 다음 단계로 구성된 당사의 게시된 프로토콜(Wang et al., 제출)에 따라 훈련된 연구 보조원에 의해 수행됩니다. 1단계, 필터나 인공 지능(A.I.) 기능을 사용하지 않고 전화기의 카메라 기능을 시작합니다. 2단계, 플래시를 켭니다. 3단계, 45도 각도로 피험자 바로 앞에서 15~20cm 떨어져 피험자의 입술을 겨냥합니다. 4단계, 피사체가 혀를 내밀면 화면을 탭하여 초점을 조정한 다음 사진을 찍습니다. 5단계, 온라인 설문 시스템(Qualtrics 설문 소프트웨어)에 전체 해상도로 이미지를 업로드합니다.

한약 문진 수집 전자/종이 형식의 문진표를 사용하여 당뇨병의 한약 패턴진단과 관련된 증상을 수집한다. 질문은 한의학적 관점에서 당뇨병의 가장 일반적으로 나타나는 증상에 대한 이전 연구에서 선택되었습니다(Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). 연령, 성별, 체중, 키, 당뇨병 기간, 당뇨병의 가족력 및 동반 질환, Hb 판독값(가능한 경우)도 고려됩니다. 최근 흡연 이력도 혀 코팅 기능에 대한 잠재적 교란 요인으로 기록됩니다(Tomooka et al., 2017).

데이터 입력 및 확인 정확성을 보장하기 위해 이미지, 설문지 답변 및 HbA1c(및 가능한 경우 Hb) 판독값이 동시에 서버에 업로드됩니다. 데이터 확인을 용이하게 하기 위해 시험에 대한 환자 식별 번호도 생성됩니다. 이러한 고유번호는 자료수집일자, 외래환자번호 등의 정보로 구성된다. 그러나 환자의 HKID, 전체 환자 이름, HN, MRN, DOB, 주소 또는 전화번호와 관련된 정보는 포함하지 않습니다.

데이터는 Qualtrics를 사용하는 온라인 설문 서비스에서 수집한 다음 SCM/HKBU의 로컬 컴퓨터에 저장합니다. 필요시 종이로 된 설문지를 사용할 수 있으며, 작성된 설문지는 연구 종료 후 3년간 보관합니다. 수집된 이미지에는 사진에 눈의 특징이 포함되지 않으며 설문지에는 실험을 위한 피험자 ID 번호를 제외하고 피험자를 식별할 수 있는 정보가 포함되지 않습니다. 프로젝트 완료 후 Qualtrics의 데이터는 삭제되지만 로컬 컴퓨터의 데이터는 기관 요구 사항에 따라 연구가 게시된 후 7년 동안 보관됩니다.

기계 학습 기계 학습에는 두 가지 접근 방식이 사용됩니다. 첫 번째 접근 방식에서는 먼저 정상 또는 비정상 HbA1c의 이미지 분류를 수행하고 합성곱 신경망(CNN)을 사용하여 분류 확률을 생성합니다(Anwar et al., 2016; Ødegaard et al., 2016). 그런 다음 이미지를 HbA1c 수준에 따라 4가지 등급으로 분류합니다: <6%(정상), 6-6.4%(당뇨병 전 단계), 6.5-8.9% (당뇨병) 및 ≥ 9%(HbA1c가 높은 당뇨병). 이미지 분류의 확률 데이터는 피험자가 4개의 HbA1c 수준 중 어느 하나에 속하는지 결정하기 위해 완전히 연결된 CNN 레이어를 사용하여 변수로 설문지의 데이터와 결합됩니다(Osia et al., 2018). 이 접근법의 장점은 혀 이미지만을 사용하여 분류의 민감도와 특이성을 결정할 수 있다는 것입니다. 그러나 이 접근법의 단점은 설문지 데이터를 사용한 분류에서 혀의 중요한 일부 특징을 잃을 수 있다는 것입니다. 또는 CNN을 사용하여 각 혀 이미지에서 특징을 추출하고 하나의 핫 인코딩을 사용하여 특징을 1차원 매트릭스로 전송하여 신경망을 사용한 회귀 분석을 위해 이미지 데이터와 설문지 데이터를 혼합할 수 있습니다.

최소 200개의 음성 및 200개의 양성 이미지를 포함하는 별도의 테스트 데이터 세트를 사용하여 얻은 알고리즘의 민감도 및 특이성을 평가합니다. 최종 알고리즘에서는 민감도, 특이도, 양성 예측값(PPV) 및 음성 예측값(NPV)이 보고됩니다.

잠재적 문제 및 실험적 대안

잠재적인 문제 1:

혀 이미지 특징은 HbA1c의 비정상적인 수준에만 국한되지 않고 흡연자 및 COPD, 상부 호흡기 감염 및 만성 신장 또는 간 질환과 같은 일부 급성 및 만성 질환에도 존재할 가능성이 높습니다.

실험적 대안:

이제 설문지에 흡연 이력 및 알려진 급성 또는 만성 질환에 대한 섹션이 포함되었습니다. 비정상적인 HbA1c 혀 진단과 특정 교란 변수 사이에 유의미한 상관관계가 있는 경우 교란 조건이 있는 모집단에서 알고리즘을 사용할 때 미래의 사용자에게 경고할 것입니다. 또한 상기 조건을 가진 모집단에 대해서도 합리적인 특이성과 민감도를 가진 예측 모델을 달성하기 위해 설문지의 매개 변수 가중치를 조정합니다.

잠재적인 문제 2:

수집된 혀 이미지 데이터 세트의 기계 분류 결과는 TCM 설문지에 매개변수를 포함시킨 후에도 4가지 HbA1c 수준을 예측하는 데 있어 낮은 특이성과 민감도를 보여줍니다.

실험적 대안:

가능한 경우 병원에서 피험자의 혈중 지질 프로필을 수집하므로 이동하면서 결과를 분석할 수 있습니다. 총 샘플 모집단이 2,000명에 도달하고 여전히 특이성과 민감도가 좋지 않은 경우 커뮤니티 피험자에게 혈중 지질 프로파일 테스트를 포함할 것입니다. 회귀 모델에 혈중 지질 프로파일을 매개변수로 추가함으로써 예측의 특이성과 민감도를 향상시킬 수 있어야 합니다. 이전 연구에서 높은 수준의 HbA1c와 이상지질혈증 사이의 밀접한 상관관계가 발견되었기 때문입니다(Khan et al., 2007). 물론 혈중 지질 프로파일을 얻기 위해 침습적 절차가 필요하기 때문에 예측 모델의 가치를 낮추기 때문에 이런 일이 발생하는 것을 원하지 않습니다. 그럼에도 불구하고 우리는 개념 증명 연구의 결과를 기반으로 HbA1c의 비정상 수준(≥ 6.5%)을 탐지하기 위한 최소한 비침습적 모델을 생성할 수 있다고 확신합니다.

잠재적인 문제 3:

HbA1c의 정상 및 비정상 수준(≥6.5%)의 분류를 담당하는 이미지 특징은 쉽게 식별할 수 없습니다.

실험적 대안:

비정상적인 수준의 HbA1c가 있는 혀 이미지의 의미론적이고 강력한 표현을 제공할 수 있는 시각적 특징의 추출이 매우 바람직합니다. 분류를 위한 특징으로 식별한 기름지고 두꺼운 코팅은 추가로 정의할 필요가 있습니다. 이를 위해 예제별 중요도 점수 할당, 숨겨진 표현 일치 또는 과장, 활성화 최대화 및 잠재 공간 조작 등을 포함하여 문헌(Ching et al., 2018)에서 제안된 다양한 기술을 시도할 것입니다.