Diabetesscreening og -overvåking ved hjelp av tungebilder og selvrapporterte symptomer: en maskinlæringsmetode

Tungebildeinnsamling Tungebildeinnsamling vil bli utført av trente forskningsassistenter basert på vår publiserte protokoll (Wang et al., innsendt), som besto av følgende trinn. Trinn 1, start telefonens kamerafunksjon uten å bruke filter eller kunstig intelligens (A.I.) funksjon; Trinn 2, slå på blitsen; Trinn 3, sikt mot leppene til motivet ved å holde telefonen rett foran, og 15-20 cm unna, motivet med en 45 graders vinkel; Trinn 4, trykk på skjermen for å justere fokus når motivet stikker ut tungen og ta et bilde; Trinn 5, last opp bildet i full oppløsning til det elektroniske spørreskjemasystemet (Qualtrics survey-programvare).

Innsamling av spørreskjema for kinesisk medisin Et spørreskjema i elektronisk/papirform vil bli brukt for å samle inn symptomer som er relevante for kinesisk medisinmønsterdiagnose av diabetes. Spørsmålene er valgt fra tidligere studier om de vanligste symptomene på diabetes fra kinesisk medisinperspektiv (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Alder, kjønn, vekt, høyde, diabetesvarighet, familiehistorie med diabetes og eventuell komorbid sykdom, Hb-avlesning (hvis tilgjengelig) vil også bli tatt i betraktning. Nyere historie med røyking er også registrert som en potensiell forvirrende faktor for tungebeleggfunksjoner (Tomooka et al., 2017)

Datainntasting og verifisering For å sikre nøyaktighet vil bilder, spørreskjemasvar og HbA1c (og Hb, hvis tilgjengelig) avlesninger lastes opp til serveren samtidig. Et pasientidentifikasjonsnummer for forsøket vil også bli generert for å forenkle dataverifisering. Slikt identifikasjonsnummer består av opplysninger om datainnsamlingsdato og poliklinisk nummer mv. Den vil imidlertid ikke inneholde informasjon relatert til pasientens HKID, fullstendige pasientnavn, HN, MRN, DOB, adresse eller telefonnummer.

Dataene vil bli samlet inn av en online spørreskjematjeneste ved bruk av Qualtrics og deretter lagret på en lokal datamaskin hos SCM/HKBU. En papirversjon av spørreskjemaet kan brukes ved behov, og det utfylte spørreskjemaet vil bli oppbevart i 3 år etter studien. Det innsamlede bildet vil ikke inneholde øyetrekk på bildet, og spørreskjemaet vil ikke inneholde noen informasjon for identifikasjon av forsøkspersonen, bortsett fra et emne-ID-nummer for forsøket. Etter fullføring av prosjektet vil data om Qualtrics bli slettet, mens data på den lokale datamaskinen vil bli oppbevart i syv år etter at studien er publisert, i henhold til institusjonens krav.

Maskinlæring To tilnærminger vil bli brukt i maskinlæring. I den første tilnærmingen vil vi først utføre bildeklassifisering av enten normal eller unormal HbA1c og generere sannsynlighetene for klassifiseringen ved hjelp av konvolusjonelle nevrale nettverk (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Deretter vil vi prøve å klassifisere bildene i fire forskjellige klasser i henhold til deres HbA1c-nivå: <6% (normal), 6-6,4% (prediabetes), 6,5-8,9% (diabetes) og ≥ 9 % (diabetes med høyt HbA1c). Sannsynlighetsdataene for bildeklassifisering vil bli kombinert med data fra spørreskjemaet som variabler ved å bruke fullt tilkoblede CNN-lag for å bestemme hvilket av de fire HbA1c-nivåene motivet tilhører (Osia et al., 2018). Fordelen med denne tilnærmingen er at den lar oss bestemme sensitiviteten og spesifisiteten til klassifiseringene ved å bruke tungebilde alene. En ulempe med denne tilnærmingen er imidlertid at den kan miste noen viktige funksjoner i tungen i klassifisering med spørreskjemadata. Alternativt vil vi trekke ut funksjoner fra hvert tungebilde ved hjelp av CNN-er, og bruke en varm koding for å overføre funksjonene til en dimensjonal matrise, som muliggjør blanding av bildedata med spørreskjemadata for regresjonsanalyse ved bruk av nevrale nettverk.

Et eget testdatasett, som inneholder minst 200 negative og 200 positive bilder, vil bli brukt til å evaluere sensitiviteten og spesifisiteten til de oppnådde algoritmene. I den endelige algoritmen vil sensitivitet, spesifisitet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV) bli rapportert.

Potensielle problemer og eksperimentelle alternativer

Potensielt problem 1:

Det er høyst sannsynlig at tungebildefunksjonene ikke er eksklusive for unormalt nivå av HbA1c, og de er også tilstede hos røykere og enkelte akutte og kroniske sykdommer, som KOLS, øvre luftveisinfeksjon og kroniske nyre- eller leversykdommer.

Eksperimentelle alternativer:

Vi har nå inkludert en seksjon for røykehistorie og kjente akutte eller kroniske sykdommer i spørreskjemaet vårt. Hvis vi fant en signifikant korrelasjon mellom visse forvirrende variabler med unormal HbA1c-tungediagnose, ville vi advare den fremtidige brukeren om upåliteligheten til algoritmen når den brukes i en populasjon med den forvirrende tilstanden. Videre ville vi justere vektingen av parametere i spørreskjemaet for å oppnå en prediksjonsmodell med rimelig spesifisitet og sensitivitet, selv for populasjoner med nevnte tilstand.

Potensielt problem 2:

Maskinklassifiseringsresultater fra det innsamlede datasettet med tungebilde viser dårlig spesifisitet og sensitivitet for å forutsi de fire HbA1c-nivåene, selv etter inkludering av parametere i TCM-spørreskjemaet.

Eksperimentelle alternativer:

Ettersom vi vil samle inn blodlipidprofilen til forsøkspersoner fra sykehuset når tilgjengelig, kan vi analysere resultatene våre mens vi går. Når vår totale prøvepopulasjon når 2000, og vi fortsatt ser en dårlig spesifisitet og sensitivitet, vil vi inkludere blodlipidprofiltest til våre samfunnsfag. Ved å legge til blodlipidprofil som parametere i vår regresjonsmodell, bør vi kunne øke spesifisiteten og sensitiviteten til prediksjonen, da tidligere studier har funnet en nær sammenheng mellom høyt nivå av HbA1c og dyslipidemi (Khan et al., 2007). Selvfølgelig ønsker vi ikke at dette skal skje fordi det vil senke verdien av prediksjonsmodellen vår, da det krever en invasiv prosedyre for å oppnå blodlipidprofil. Ikke desto mindre er vi sikre på at minst en ikke-invasiv modell for påvisning av unormalt nivå av HbA1c (≥ 6,5%) kan produseres, basert på resultatene fra vår proof-of-concept-studie.

Potensielt problem 3:

Bildetrekkene som er ansvarlige for klassifiseringen av normale og unormale nivåer av HbA1c (≥6,5 %), kunne ikke lett identifiseres.

Eksperimentelle alternativer:

Ekstraksjon av visuelle trekk som kan gi en semantisk og robust representasjon av tungebilder med unormale nivåer av HbA1c er svært ønskelig. Det fettete og tykke belegget, som vi har identifisert som funksjoner for klassifiseringen, må defineres ytterligere. For dette formål vil vi prøve forskjellige teknikker som er foreslått i litteraturen (Ching et al., 2018), inkludert å tildele eksempelspesifikke viktighetsskårer, matche eller overdrive den skjulte representasjonen, aktiveringsmaksimering og latent plassmanipulasjon, etc.