Badania przesiewowe i monitorowanie cukrzycy za pomocą obrazów języka i zgłaszanych przez siebie objawów: podejście do uczenia maszynowego

Zbieranie obrazu języka Zbieranie obrazu języka zostanie przeprowadzone przez przeszkolonych asystentów badawczych w oparciu o opublikowany przez nas protokół (Wang i in., przedłożony), który składał się z następujących etapów. Krok 1, uruchom funkcję aparatu w telefonie bez użycia filtra lub funkcji sztucznej inteligencji (AI); Krok 2, włącz lampę błyskową; Krok 3, wyceluj w usta fotografowanej osoby, trzymając telefon bezpośrednio przed nią i w odległości 15–20 cm od niej pod kątem 45 stopni; Krok 4, dotknij ekranu, aby wyregulować ostrość, gdy obiekt wysuwa język, a następnie zrób zdjęcie; Krok 5, prześlij obraz w pełnej rozdzielczości do systemu kwestionariuszy online (oprogramowanie ankietowe Qualtrics).

Zbiór kwestionariuszy medycyny chińskiej Kwestionariusz w formie elektronicznej/papierowej zostanie wykorzystany do zebrania objawów istotnych dla rozpoznania cukrzycy według wzorca medycyny chińskiej. Pytania zostały wybrane z wcześniejszych badań dotyczących najczęściej występujących objawów cukrzycy z perspektywy medycyny chińskiej (Hsu i in., 2016; Zhou i in., 2012; Zhao i in., 2017). Wiek, płeć, waga, wzrost, czas trwania cukrzycy, wywiad rodzinny w kierunku cukrzycy i innych chorób współistniejących, odczyt Hb (jeśli jest dostępny) również zostanie wzięty pod uwagę. Niedawna historia palenia jest również rejestrowana jako potencjalny czynnik zakłócający cechy nalotu na języku (Tomooka i in., 2017)

Wprowadzanie i weryfikacja danych Aby zapewnić dokładność, obraz, odpowiedzi na kwestionariusz oraz odczyty HbA1c (oraz Hb, jeśli są dostępne) zostaną przesłane na serwer w tym samym czasie. Wygenerowany zostanie również numer identyfikacyjny pacjenta do badania, aby ułatwić weryfikację danych. Taki numer identyfikacyjny składa się z informacji o dacie pobrania danych, numerze ambulatoryjnym itp. Nie będzie jednak zawierać żadnych informacji związanych z HKID pacjenta, pełnym imieniem i nazwiskiem pacjenta, HN, MRN, DOB, adresem ani numerem telefonu.

Dane będą zbierane przez serwis kwestionariuszy online za pomocą Qualtrics, a następnie przechowywane na lokalnym komputerze w SCM/HKBU. W razie potrzeby można skorzystać z papierowej wersji kwestionariusza, a wypełniony kwestionariusz będzie przechowywany przez 3 lata po zakończeniu badania. Zebrany obraz nie będzie zawierał żadnych cech oczu na zdjęciu, a kwestionariusz nie będzie zawierał żadnych informacji umożliwiających identyfikację osoby, z wyjątkiem numeru identyfikacyjnego osoby badanej do badania. Po zakończeniu projektu dane w Qualtrics zostaną usunięte, natomiast dane na lokalnym komputerze będą przechowywane przez siedem lat od opublikowania badania, zgodnie z wymaganiami instytucji.

Uczenie maszynowe W uczeniu maszynowym stosowane będą dwa podejścia. W pierwszym podejściu najpierw przeprowadzimy klasyfikację obrazu normalnej lub nieprawidłowej HbA1c i wygenerujemy prawdopodobieństwa klasyfikacji za pomocą splotowych sieci neuronowych (CNN) (Anwar i in., 2016; Ødegaard i in., 2016). Następnie spróbujemy podzielić obrazy na cztery różne klasy w zależności od ich poziomu HbA1c: <6% (normalny), 6-6,4% (stan przedcukrzycowy), 6,5-8,9% (cukrzyca) i ≥ 9% (cukrzyca z wysokim HbA1c). Dane prawdopodobieństwa klasyfikacji obrazu zostaną połączone z danymi z kwestionariusza jako zmienne przy użyciu w pełni połączonych warstw CNN w celu określenia, do którego z czterech poziomów HbA1c należy badany (Osia i in., 2018). Zaletą tego podejścia jest to, że pozwala nam określić czułość i specyficzność klasyfikacji na podstawie samego obrazu języka. Jednak wadą tego podejścia jest to, że może ono utracić niektóre ważne cechy języka w klasyfikacji z danymi kwestionariuszowymi. Alternatywnie, wyodrębnimy cechy z każdego obrazu języka za pomocą CNN i użyjemy jednego kodowania na gorąco, aby przenieść cechy do jednowymiarowej macierzy, co umożliwi połączenie danych obrazu z danymi kwestionariusza w celu analizy regresji przy użyciu sieci neuronowej.

Do oceny czułości i specyficzności otrzymanych algorytmów zostanie wykorzystany odrębny zestaw danych testowych, który zawiera co najmniej 200 obrazów negatywnych i 200 pozytywowych. W końcowym algorytmie zgłoszona zostanie czułość, specyficzność, dodatnia wartość predykcyjna (PPV) i ujemna wartość predykcyjna (NPV).

Potencjalne problemy i eksperymentalne alternatywy

Potencjalny problem 1:

Jest wysoce prawdopodobne, że cechy obrazu języka nie są wyłączne dla nieprawidłowego poziomu HbA1c i występują również u palaczy oraz niektórych ostrych i przewlekłych chorób, takich jak POChP, infekcja górnych dróg oddechowych oraz przewlekłe choroby nerek lub wątroby.

Eksperymentalne alternatywy:

W naszym kwestionariuszu dodaliśmy teraz sekcję dotyczącą historii palenia i znanych ostrych lub przewlekłych chorób. Gdybyśmy znaleźli istotną korelację między pewnymi zmiennymi zakłócającymi a nieprawidłową diagnozą HbA1c na języku, ostrzegalibyśmy przyszłego użytkownika o zawodności algorytmu stosowanego w populacji z zaburzeniem zakłócającym. Ponadto dostosujemy wagę parametrów w kwestionariuszu, aby uzyskać model predykcyjny o rozsądnej specyficzności i czułości, nawet dla populacji z tym warunkiem.

Potencjalny problem 2:

Wyniki klasyfikacji maszynowej z zebranego zestawu danych obrazu języka wykazują słabą specyficzność i czułość w przewidywaniu czterech poziomów HbA1c, nawet po uwzględnieniu parametrów w kwestionariuszu TCM.

Eksperymentalne alternatywy:

Ponieważ będziemy zbierać profil lipidowy krwi pacjentów ze szpitala, gdy będzie to możliwe, możemy analizować nasze wyniki na bieżąco. Kiedy nasza całkowita populacja próbek osiągnie 2000, a nadal widzimy słabą specyficzność i czułość, włączymy test profilu lipidowego krwi do naszych pacjentów społeczności. Dodając profil lipidów we krwi jako parametry w naszym modelu regresji, powinniśmy być w stanie zwiększyć swoistość i czułość przewidywania, ponieważ poprzednie badania wykazały ścisłą korelację między wysokim poziomem HbA1c a dyslipidemią (Khan i in., 2007). Oczywiście nie chcemy, aby tak się stało, ponieważ obniży to wartość naszego modelu predykcyjnego, ponieważ wymaga inwazyjnej procedury uzyskania profilu lipidowego krwi. Niemniej jednak jesteśmy przekonani, że przynajmniej nieinwazyjny model wykrywania nieprawidłowego poziomu HbA1c (≥ 6,5%) można stworzyć w oparciu o wyniki naszego badania sprawdzającego słuszność koncepcji.

Potencjalny problem 3:

Nie można było łatwo zidentyfikować cech obrazu odpowiedzialnych za klasyfikację prawidłowych i nieprawidłowych poziomów HbA1c (≥6,5%).

Eksperymentalne alternatywy:

Ekstrakcja cech wizualnych, które mogą zapewnić semantyczną i solidną reprezentację obrazów języka z nieprawidłowymi poziomami HbA1c, jest wysoce pożądana. Tłusta i gruba powłoka, którą zidentyfikowaliśmy jako cechy do klasyfikacji, wymaga dokładniejszego zdefiniowania. W tym celu wypróbujemy różne techniki proponowane w literaturze (Ching i in., 2018), w tym przypisywanie ocen ważności specyficznych dla przykładów, dopasowywanie lub wyolbrzymianie ukrytej reprezentacji, maksymalizację aktywacji i manipulację przestrzenią ukrytą itp.