Triagem e monitoramento de diabetes usando imagens da língua e sintomas autorrelatados: uma abordagem de aprendizado de máquina

Coleta de imagens da língua A coleta de imagens da língua será realizada por assistentes de pesquisa treinados com base em nosso protocolo publicado (Wang et al., submetido), que consistia nas seguintes etapas. Etapa 1, inicie a função de câmera do telefone sem usar nenhum filtro ou função de inteligência artificial (A.I.); Passo 2, ligue o flash; Etapa 3, aponte para os lábios do sujeito segurando o telefone diretamente na frente e a 15-20 cm de distância do sujeito com um ângulo de 45 graus; Etapa 4, toque na tela para ajustar o foco quando o assunto projeta a língua e, em seguida, tire uma foto; Etapa 5, carregue a imagem em resolução total para o sistema de questionário online (software de pesquisa Qualtrics).

Coleta do questionário de medicina chinesa Um questionário em formato eletrônico/papel será usado para coletar sintomas relevantes para o diagnóstico padrão de diabetes da medicina chinesa. As questões foram selecionadas a partir de estudos anteriores sobre os sintomas mais comuns de diabetes nas perspectivas da medicina chinesa (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Idade, sexo, peso, altura, duração do diabetes, histórico familiar de diabetes e qualquer doença comórbida, leitura de Hb (se disponível) também serão levados em consideração. A história recente de tabagismo também é registrada como um potencial fator de confusão para características de saburra lingual (Tomooka et al., 2017)

Entrada e verificação de dados Para garantir a precisão, as imagens, as respostas do questionário e as leituras de HbA1c (e Hb, se disponível) serão carregadas no servidor ao mesmo tempo. Um número de identificação do paciente para o estudo também será gerado para facilitar a verificação dos dados. Tal número de identificação consiste em informações sobre data de coleta de dados e número de ambulatório, etc. No entanto, não conterá nenhuma informação relacionada ao HKID do paciente, nome completo do paciente, HN, MRN, DOB, endereço ou número de telefone.

Os dados serão coletados por um serviço de questionário online usando Qualtrics e, em seguida, armazenados em um computador local no SCM/HKBU. Uma versão em papel do questionário pode ser usada quando necessário, e o questionário preenchido será mantido por 3 anos após o estudo. A imagem coletada não conterá características oculares na foto e o questionário não incluirá nenhuma informação para identificação do sujeito, exceto um número de identificação do sujeito para o teste. Após a conclusão do projeto, os dados do Qualtrics serão excluídos, enquanto os dados do computador local serão mantidos por sete anos após a publicação do estudo, conforme exigência da instituição.

Aprendizado de máquina Duas abordagens serão usadas no aprendizado de máquina. Na primeira abordagem, vamos primeiro realizar a classificação de imagens de HbA1c normal ou anormal e gerar as probabilidades para a classificação usando redes neurais convolucionais (CNNs) (Anwar et al., 2016; Ødegaard et al., 2016). Em seguida, tentaremos classificar as imagens em quatro classes diferentes de acordo com o nível de HbA1c: <6% (normal), 6-6,4% (pré-diabetes), 6,5-8,9% (diabetes) e ≥ 9% (diabetes com HbA1c elevada). Os dados de probabilidade de classificação da imagem serão combinados com dados do questionário como variáveis ​​usando camadas de CNNs totalmente conectadas para determinar a qual dos quatro níveis de HbA1c o sujeito pertence (Osia et al., 2018). A vantagem dessa abordagem é que ela nos permite determinar a sensibilidade e a especificidade das classificações usando apenas a imagem da língua. No entanto, uma desvantagem dessa abordagem é que ela pode perder algumas características importantes da língua na classificação com os dados do questionário. Alternativamente, vamos extrair recursos de cada imagem de língua usando CNNs e usar uma codificação quente para transferir os recursos para uma matriz dimensional, que permite a combinação de dados de imagem com dados de questionário para análise de regressão usando rede neural.

Um conjunto de dados de teste separado, que contém pelo menos 200 imagens negativas e 200 imagens positivas, será usado para avaliar a sensibilidade e especificidade dos algoritmos obtidos. No algoritmo final, serão relatados sensibilidade, especificidade, valor preditivo positivo (VPP) e valor preditivo negativo (VPN).

Problemas potenciais e alternativas experimentais

Problema potencial 1:

É altamente provável que as características da imagem da língua não sejam exclusivas do nível anormal de HbA1c, e também estejam presentes em fumantes e algumas doenças agudas e crônicas, como DPOC, infecção respiratória superior e doenças renais ou hepáticas crônicas.

Alternativas experimentais:

Agora incluímos uma seção para história de tabagismo e doenças agudas ou crônicas conhecidas em nosso questionário. Se encontrássemos uma correlação significativa entre certas variáveis ​​de confusão com o diagnóstico de língua HbA1c anormal, alertaríamos o futuro usuário sobre a falta de confiabilidade do algoritmo quando usado em uma população com a condição de confusão. Além disso, ajustaríamos a ponderação dos parâmetros do questionário para obter um modelo de predição com razoável especificidade e sensibilidade, mesmo para populações com a referida condição.

Problema potencial 2:

Os resultados da classificação da máquina do conjunto de dados de imagem da língua coletados mostram especificidade e sensibilidade pobres na previsão dos quatro níveis de HbA1c, mesmo após a inclusão de parâmetros no questionário TCM.

Alternativas experimentais:

Como coletaremos o perfil lipídico do sangue de indivíduos do hospital quando disponível, podemos analisar nossos resultados à medida que avançamos. Quando nossa população amostral total atingir 2.000, e ainda observarmos uma especificidade e sensibilidade pobres, incluiremos o teste de perfil lipídico no sangue para nossos sujeitos da comunidade. Ao adicionar o perfil lipídico do sangue como parâmetros em nosso modelo de regressão, devemos ser capazes de aumentar a especificidade e sensibilidade da previsão, já que estudos anteriores encontraram uma estreita correlação entre alto nível de HbA1c e dislipidemia (Khan et al., 2007). Obviamente, não desejamos que isso aconteça, pois diminuirá o valor do nosso modelo de predição, pois requer um procedimento invasivo para obter o perfil lipídico do sangue. No entanto, estamos confiantes de que pelo menos um modelo não invasivo para detecção de nível anormal de HbA1c (≥ 6,5%) pode ser produzido, com base nos resultados de nosso estudo de prova de conceito.

Problema potencial 3:

As características de imagem responsáveis ​​pela classificação de níveis normais e anormais de HbA1c (≥6,5%) não puderam ser prontamente identificadas.

Alternativas experimentais:

A extração de recursos visuais que possam fornecer uma representação semântica e robusta de imagens de língua com níveis anormais de HbA1c é altamente desejável. O revestimento gorduroso e espesso, que identificamos como características para a classificação, precisa ser mais bem definido. Para esse fim, tentaremos diferentes técnicas propostas na literatura (Ching et al., 2018), incluindo a atribuição de pontuações de importância específicas do exemplo, correspondência ou exagero da representação oculta, maximização da ativação e manipulação do espaço latente, etc.