Скрининг и мониторинг диабета с использованием изображений языка и самооценки симптомов: подход машинного обучения

Коллекция изображений языка Сбор изображений языка будет осуществляться обученными научными сотрудниками на основе нашего опубликованного протокола (Wang et al., Представлено), который состоял из следующих шагов. Шаг 1, запустите функцию камеры телефона без использования каких-либо фильтров или функций искусственного интеллекта (ИИ); Шаг 2, включите вспышку; Шаг 3, нацельтесь на губы объекта, удерживая телефон прямо перед объектом и на расстоянии 15-20 см от объекта под углом 45 градусов; Шаг 4, коснитесь экрана, чтобы настроить фокус, когда объект высовывает язык, а затем сделайте снимок; Шаг 5: загрузите изображение в полном разрешении в систему онлайн-анкетирования (программное обеспечение для опросов Qualtrics).

Сбор вопросников по китайской медицине Анкета в электронной/бумажной форме будет использоваться для сбора симптомов, имеющих отношение к диагностике диабета по образцу китайской медицины. Вопросы были выбраны из предыдущих исследований наиболее часто встречающихся симптомов диабета с точки зрения китайской медицины (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Также будут учитываться возраст, пол, вес, рост, продолжительность диабета, семейный анамнез диабета и любые сопутствующие заболевания, показатели гемоглобина (при наличии). Курение в недавнем прошлом также регистрируется как потенциальный мешающий фактор особенностей налета на языке (Tomooka et al., 2017).

Ввод и проверка данных Для обеспечения точности изображения, ответы на вопросы анкеты и показания HbA1c (и Hb, если таковые имеются) будут загружены на сервер одновременно. Также будет создан идентификационный номер пациента для исследования, чтобы облегчить проверку данных. Такой идентификационный номер состоит из информации о дате сбора данных, амбулаторного номера и т. д. Однако он не будет содержать никакой информации, касающейся HKID пациента, полного имени пациента, HN, MRN, DOB, адреса или номера телефона.

Данные будут собираться службой онлайн-анкетирования с использованием Qualtrics, а затем храниться на локальном компьютере в SCM/HKBU. Бумажная версия анкеты может быть использована при необходимости, а заполненная анкета будет храниться в течение 3 лет после исследования. Собранное изображение не будет содержать признаков глаз на фотографии, а анкета не будет содержать никакой информации для идентификации субъекта, кроме идентификационного номера субъекта для исследования. После завершения проекта данные на Qualtrics будут удалены, а данные на локальном компьютере будут храниться в течение семи лет после публикации исследования в соответствии с требованиями учреждения.

Машинное обучение В машинном обучении будут использоваться два подхода. В первом подходе мы сначала выполним классификацию изображений нормального или аномального HbA1c и создадим вероятности для классификации с использованием сверточных нейронных сетей (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Затем мы попытаемся классифицировать изображения на четыре разных класса в соответствии с их уровнем HbA1c: <6% (норма), 6-6,4% (преддиабет), 6,5-8,9% (диабет) и ≥ 9% (диабет с высоким уровнем HbA1c). Вероятностные данные классификации изображений будут объединены с данными из анкеты в качестве переменных с использованием полностью связанных слоев CNN, чтобы определить, к какому из четырех уровней HbA1c принадлежит субъект (Osia et al., 2018). Преимущество этого подхода в том, что он позволяет определить чувствительность и специфичность классификаций только по изображению языка. Однако недостатком этого подхода является то, что он может утратить некоторые важные признаки языка при классификации с данными анкеты. В качестве альтернативы мы будем извлекать признаки из каждого изображения языка с помощью CNN и использовать одно горячее кодирование для переноса признаков в одномерную матрицу, что позволит смешивать данные изображения с данными анкеты для регрессионного анализа с использованием нейронной сети.

Отдельный набор тестовых данных, который содержит не менее 200 негативных и 200 позитивных изображений, будет использоваться для оценки чувствительности и специфичности полученных алгоритмов. В окончательном алгоритме будут указаны чувствительность, специфичность, положительная прогностическая ценность (PPV) и отрицательная прогностическая ценность (NPV).

Возможные проблемы и экспериментальные альтернативы

Возможная проблема 1:

Весьма вероятно, что особенности изображения языка не являются исключительными при аномальном уровне HbA1c, они также присутствуют у курильщиков и при некоторых острых и хронических заболеваниях, таких как ХОБЛ, инфекции верхних дыхательных путей и хронические заболевания почек или печени.

Экспериментальные варианты:

Теперь мы включили в нашу анкету раздел, посвященный анамнезу курения и известным острым или хроническим заболеваниям. Если бы мы обнаружили значительную корреляцию между определенными вмешивающимися переменными с аномальным диагнозом языка HbA1c, мы бы предупредили будущего пользователя о ненадежности алгоритма при использовании в популяции со вмешивающимся состоянием. Кроме того, мы бы скорректировали взвешивание параметров в анкете, чтобы получить модель прогнозирования с разумной специфичностью и чувствительностью даже для групп населения с указанным заболеванием.

Возможная проблема 2:

Результаты машинной классификации из собранного набора данных изображений языка демонстрируют низкую специфичность и чувствительность при прогнозировании четырех уровней HbA1c даже после включения параметров в опросник ТКМ.

Экспериментальные варианты:

Поскольку мы будем собирать профиль липидов в крови субъектов из больницы, когда это возможно, мы можем анализировать наши результаты по ходу дела. Когда наша общая выборка достигнет 2000 человек, а мы по-прежнему будем видеть низкую специфичность и чувствительность, мы включим анализ профиля липидов в кровь для субъектов нашего сообщества. Добавляя липидный профиль крови в качестве параметров в нашу регрессионную модель, мы должны повысить специфичность и чувствительность прогноза, поскольку предыдущие исследования обнаружили тесную корреляцию между высоким уровнем HbA1c и дислипидемией (Khan et al., 2007). Конечно, мы не хотим, чтобы это произошло, потому что это снизит ценность нашей модели прогнозирования, поскольку для получения профиля липидов крови требуется инвазивная процедура. Тем не менее, мы уверены, что по крайней мере неинвазивная модель для обнаружения аномального уровня HbA1c (≥ 6,5%) может быть создана на основе результатов нашего исследования, подтверждающего концепцию.

Возможная проблема 3:

Особенности изображения, ответственные за классификацию нормальных и аномальных уровней HbA1c (≥6,5%), не могли быть легко идентифицированы.

Экспериментальные варианты:

Крайне желательно извлечение визуальных признаков, которые могут обеспечить семантическое и надежное представление изображений языка с аномальными уровнями HbA1c. Жирный и толстый налет, который мы идентифицировали как признаки для классификации, нуждается в дальнейшем определении. С этой целью мы попробуем различные методы, предложенные в литературе (Ching et al., 2018), включая присвоение оценок важности для конкретных примеров, сопоставление или преувеличение скрытого представления, максимизацию активации и манипулирование скрытым пространством и т. д.