Diabetesscreening en -monitoring met behulp van tongafbeeldingen en zelfgerapporteerde symptomen: een machinale leerbenadering

Tongbeeldverzameling Tongbeeldverzameling zal worden uitgevoerd door getrainde onderzoeksassistenten op basis van ons gepubliceerde protocol (Wang et al., ingediend), dat uit de volgende stappen bestond. Stap 1, start de camerafunctie van de telefoon zonder een filter of kunstmatige intelligentie (AI) -functie te gebruiken; Stap 2, zet de flitser aan; Stap 3, richt op de lippen van het onderwerp door de telefoon recht voor en op 15-20 cm afstand van het onderwerp te houden in een hoek van 45 graden; Stap 4, tik op het scherm om de focus aan te passen wanneer het onderwerp de tong uitsteekt en maak vervolgens een foto; Stap 5, upload de afbeelding in volledige resolutie naar het online vragenlijstsysteem (Qualtrics enquêtesoftware).

Verzameling vragenlijst Chinese geneeskunde Een vragenlijst in elektronische/papieren vorm zal worden gebruikt om symptomen te verzamelen die relevant zijn voor de patroondiagnose van diabetes volgens de Chinese geneeskunde. De vragen zijn geselecteerd uit eerder onderzoek naar de meest voorkomende symptomen van diabetes vanuit het perspectief van de Chinese geneeskunde (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Leeftijd, geslacht, gewicht, lengte, duur van diabetes, familiegeschiedenis van diabetes en eventuele comorbide ziekte, Hb-meting (indien beschikbaar) zal ook in overweging worden genomen. Recente geschiedenis van roken wordt ook geregistreerd als een mogelijke verstorende factor voor tongbekledingskenmerken (Tomooka et al., 2017)

Gegevensinvoer en verificatie Om nauwkeurigheid te garanderen, worden afbeeldingen, antwoorden op de vragenlijst en HbA1c-metingen (en Hb, indien beschikbaar) tegelijkertijd naar de server geüpload. Er zal ook een patiëntidentificatienummer voor de proef worden gegenereerd om gegevensverificatie te vergemakkelijken. Een dergelijk identificatienummer bestaat uit informatie over de datum van gegevensverzameling en het nummer van de polikliniek, enz. Het bevat echter geen informatie met betrekking tot de HKID van de patiënt, de volledige naam van de patiënt, HN, MRN, DOB, adres of telefoonnummer.

De gegevens worden verzameld door een online vragenlijstservice met behulp van Qualtrics en vervolgens opgeslagen op een lokale computer bij SCM/HKBU. Indien nodig kan een papieren versie van de vragenlijst worden gebruikt en de ingevulde vragenlijst wordt tot 3 jaar na het onderzoek bewaard. De verzamelde afbeelding bevat geen oogkenmerken op de foto en de vragenlijst bevat geen informatie voor identificatie van de proefpersoon, behalve een proefpersoon-ID-nummer voor de proef. Na voltooiing van het project worden gegevens op Qualtrics verwijderd, terwijl gegevens op de lokale computer zeven jaar na publicatie van het onderzoek worden bewaard, zoals vereist door de instelling.

Machine learning Bij machine learning worden twee benaderingen gebruikt. In de eerste benadering zullen we eerst beeldclassificatie van ofwel normaal of abnormaal HbA1c uitvoeren en de kansen voor de classificatie genereren met behulp van convolutionele neurale netwerken (CNN's) (Anwar et al., 2016; Ødegaard et al., 2016). Vervolgens proberen we de afbeeldingen in vier verschillende klassen te classificeren op basis van hun HbA1c-niveau: <6% (normaal), 6-6,4% (prediabetes), 6,5-8,9% (diabetes) en ≥ 9% (diabetes met hoog HbA1c). De waarschijnlijkheidsgegevens van beeldclassificatie zullen worden gecombineerd met gegevens uit de vragenlijst als variabelen met behulp van volledig verbonden CNN-lagen om te bepalen tot welke van de vier HbA1c-niveaus de proefpersoon behoort (Osia et al., 2018). Het voordeel van deze aanpak is dat het ons in staat stelt om de gevoeligheid en specificiteit van de classificaties te bepalen met alleen het tongbeeld. Een nadeel van deze aanpak is echter dat het een aantal belangrijke kenmerken van de tong kan verliezen bij classificatie met vragenlijstgegevens. Als alternatief zullen we kenmerken van elk tongbeeld extraheren met behulp van CNN's, en één hete codering gebruiken om de kenmerken over te brengen naar een eendimensionale matrix, die het mengen van beeldgegevens met vragenlijstgegevens mogelijk maakt voor regressieanalyse met behulp van een neuraal netwerk.

Een aparte set testgegevens, die ten minste 200 negatieve en 200 positieve beelden bevat, zal worden gebruikt om de gevoeligheid en specificiteit van de verkregen algoritmen te evalueren. In het uiteindelijke algoritme worden sensitiviteit, specificiteit, positief voorspellende waarde (PPV) en negatief voorspellende waarde (NPV) gerapporteerd.

Potentiële problemen en experimentele alternatieven

Potentieel probleem 1:

Het is zeer waarschijnlijk dat de kenmerken van het tongbeeld niet exclusief zijn voor een abnormaal niveau van HbA1c, en ze zijn ook aanwezig bij rokers en sommige acute en chronische ziekten, zoals COPD, infectie van de bovenste luchtwegen en chronische nier- of leveraandoeningen.

Experimentele alternatieven:

We hebben nu een sectie opgenomen voor rookgeschiedenis en bekende acute of chronische ziekten in onze vragenlijst. Als we een significante correlatie vinden tussen bepaalde verstorende variabelen met een abnormale HbA1c-tongdiagnose, zouden we de toekomstige gebruiker waarschuwen voor de onbetrouwbaarheid van het algoritme bij gebruik in een populatie met de verstorende aandoening. Bovendien zouden we de weging van parameters in de vragenlijst aanpassen om een ​​voorspellingsmodel te verkrijgen met een redelijke specificiteit en gevoeligheid, zelfs voor populaties met de genoemde aandoening.

Potentieel probleem 2:

Machineclassificatieresultaten van de verzamelde tongbeeldgegevensset laten een slechte specificiteit en gevoeligheid zien bij het voorspellen van de vier HbA1c-niveaus, zelfs na opname van parameters in de TCM-vragenlijst.

Experimentele alternatieven:

Aangezien we het bloedlipidenprofiel van proefpersonen uit het ziekenhuis verzamelen wanneer beschikbaar, kunnen we onze resultaten gaandeweg analyseren. Wanneer onze totale steekproefpopulatie 2.000 bereikt en we nog steeds een slechte specificiteit en gevoeligheid zien, zullen we een bloedlipidenprofieltest toevoegen aan onze proefpersonen in de gemeenschap. Door bloedlipidenprofiel toe te voegen als parameters in ons regressiemodel, zouden we in staat moeten zijn om de specificiteit en gevoeligheid van de voorspelling te verbeteren, aangezien eerdere studies een nauwe correlatie hebben gevonden tussen een hoog niveau van HbA1c en dyslipidemie (Khan et al., 2007). Natuurlijk willen we niet dat dit gebeurt omdat het de waarde van ons voorspellingsmodel zal verlagen, omdat het een invasieve procedure vereist om het bloedlipidenprofiel te verkrijgen. Desalniettemin zijn we ervan overtuigd dat op zijn minst een niet-invasief model voor de detectie van een abnormaal niveau van HbA1c (≥ 6,5%) kan worden geproduceerd, gebaseerd op de resultaten van onze proof-of-concept-studie.

Potentieel probleem 3:

De beeldkenmerken die verantwoordelijk waren voor de classificatie van normale en abnormale niveaus van HbA1c (≥6,5%) konden niet gemakkelijk worden geïdentificeerd.

Experimentele alternatieven:

Extractie van visuele kenmerken die een semantische en robuuste weergave van tongbeelden met abnormale niveaus van HbA1c kunnen bieden, is zeer wenselijk. De vette en dikke coating, die we hebben geïdentificeerd als kenmerken voor de classificatie, moet verder worden gedefinieerd. Daartoe zullen we verschillende technieken uitproberen die in de literatuur worden voorgesteld (Ching et al., 2018), waaronder het toekennen van voorbeeldspecifieke belangrijkheidsscores, het matchen of overdrijven van de verborgen representatie, activeringsmaximalisatie en latente ruimtemanipulatie, enz.