Diabetesscreening och övervakning med hjälp av tungbilder och självrapporterade symtom: ett tillvägagångssätt för maskininlärning

Bildinsamling av tunga Bildinsamling av tunga kommer att utföras av utbildade forskarassistenter baserat på vårt publicerade protokoll (Wang et al., inlämnat), som bestod av följande steg. Steg 1, starta telefonens kamerafunktion utan att använda något filter eller artificiell intelligens (A.I.)-funktion; Steg 2, slå på blixten; Steg 3, sikta mot motivets läppar genom att hålla telefonen direkt framför, och 15-20 cm från, motivet med en 45 graders vinkel; Steg 4, tryck på skärmen för att justera fokus när motivet sticker ut tungan och ta sedan en bild; Steg 5, ladda upp bilden i full upplösning till online-enkätsystemet (Qualtrics undersökningsprogram).

Insamling av frågeformulär för kinesisk medicin Ett frågeformulär i elektronisk/pappersform kommer att användas för att samla in symtom som är relevanta för diagnos av diabetesmönster i kinesisk medicin. Frågorna har valts ut från tidigare studier om de vanligaste symtomen på diabetes ur kinesisk medicin perspektiv (Hsu et al., 2016; Zhou et al., 2012; Zhao et al., 2017). Ålder, kön, vikt, längd, varaktighet av diabetes, familjehistoria med diabetes och eventuella komorbida sjukdomar, Hb-avläsning (om tillgänglig) kommer också att beaktas. Ny historia av rökning finns också registrerad som en potentiell förvirrande faktor för tungbeläggningsegenskaper (Tomooka et al., 2017)

Datainmatning och verifiering För att säkerställa noggrannhet laddas bilder, enkätsvar och HbA1c (och Hb, om det finns) upp till servern samtidigt. Ett patientidentifikationsnummer för prövningen kommer också att genereras för att underlätta dataverifiering. Sådant identifikationsnummer består av uppgifter om datainsamlingsdatum och öppenvårdsnummer m.m. Den kommer dock inte att innehålla någon information relaterad till patientens HKID, fullständiga patientnamn, HN, MRN, DOB, adress eller telefonnummer.

Uppgifterna kommer att samlas in av en online frågeformulärtjänst som använder Qualtrics och lagras sedan på en lokal dator på SCM/HKBU. En pappersversion av frågeformuläret kan användas vid behov, och det ifyllda frågeformuläret kommer att sparas i 3 år efter studien. Den insamlade bilden kommer inte att innehålla några ögonfunktioner på fotot, och frågeformuläret kommer inte att innehålla någon information för identifiering av försökspersonen, förutom ett ämnes-ID-nummer för försöket. Efter avslutat projekt kommer data om Qualtrics att raderas, medan data på den lokala datorn kommer att sparas i sju år efter att studien har publicerats, enligt institutionens krav.

Maskininlärning Två tillvägagångssätt kommer att användas i maskininlärning. I det första tillvägagångssättet kommer vi först att utföra bildklassificering av antingen normalt eller onormalt HbA1c och generera sannolikheterna för klassificeringen med hjälp av konvolutionella neurala nätverk (CNN) (Anwar et al., 2016; Ødegaard et al., 2016). Sedan ska vi försöka klassificera bilderna i fyra olika klasser efter deras HbA1c-nivå: <6% (normal), 6-6,4% (prediabetes), 6,5-8,9% (diabetes) och ≥ 9 % (diabetes med högt HbA1c). Sannolikhetsdatan för bildklassificering kommer att kombineras med data från frågeformuläret som variabler med hjälp av helt anslutna CNN-lager för att bestämma vilken av de fyra HbA1c-nivåerna motivet tillhör (Osia et al., 2018). Fördelen med detta tillvägagångssätt är att det tillåter oss att bestämma klassificeringarnas känslighet och specificitet med enbart tungbild. En nackdel med detta tillvägagångssätt är dock att det kan förlora några viktiga egenskaper hos tungan vid klassificering med frågeformulärsdata. Alternativt kommer vi att extrahera funktioner från varje tunga bild med hjälp av CNNs, och använda en varm kodning för att överföra funktionerna till en dimensionell matris, vilket möjliggör blandning av bilddata med frågeformulärdata för regressionsanalys med neurala nätverk.

En separat testdatauppsättning, som innehåller minst 200 negativa och 200 positiva bilder, kommer att användas för att utvärdera känsligheten och specificiteten hos de erhållna algoritmerna. I den slutliga algoritmen kommer sensitivitet, specificitet, positivt prediktivt värde (PPV) och negativt prediktivt värde (NPV) att rapporteras.

Potentiella problem och experimentella alternativ

Potentiellt problem 1:

Det är högst troligt att tungbildsfunktionerna inte är exklusiva för onormala nivåer av HbA1c, och de finns även hos rökare och vissa akuta och kroniska sjukdomar, såsom KOL, övre luftvägsinfektion och kroniska njur- eller leversjukdomar.

Experimentella alternativ:

Vi har nu tagit med ett avsnitt för rökhistorik och kända akuta eller kroniska sjukdomar i vårt frågeformulär. Om vi ​​hittade en signifikant korrelation mellan vissa störande variabler med onormal HbA1c-tungdiagnos skulle vi varna den framtida användaren om algoritmens opålitlighet när den används i en population med det förvirrande tillståndet. Vidare skulle vi justera viktningen av parametrar i frågeformuläret för att uppnå en prediktionsmodell med rimlig specificitet och känslighet, även för populationer med nämnda tillstånd.

Potentiellt problem 2:

Maskinklassificeringsresultat från den insamlade tungbildsdatauppsättningen visar dålig specificitet och känslighet för att förutsäga de fyra HbA1c-nivåerna, även efter införandet av parametrar i TCM-frågeformuläret.

Experimentella alternativ:

Eftersom vi kommer att samla in blodlipidprofiler för försökspersoner från sjukhuset när det är tillgängligt, kan vi analysera våra resultat när vi går. När vår totala provpopulation når 2 000, och vi fortfarande ser en dålig specificitet och känslighet, kommer vi att inkludera blodlipidprofiltest till våra samhällsämnen. Genom att lägga till blodlipidprofil som parametrar i vår regressionsmodell bör vi kunna förbättra specificiteten och känsligheten för förutsägelsen, eftersom tidigare studier har funnit en nära korrelation mellan hög nivå av HbA1c och dyslipidemi (Khan et al., 2007). Naturligtvis vill vi inte att detta ska hända eftersom det kommer att sänka värdet på vår förutsägelsemodell, eftersom det kräver en invasiv procedur för att få en blodlipidprofil. Ändå är vi övertygade om att åtminstone en icke-invasiv modell för detektion av onormal nivå av HbA1c (≥ 6,5%) kan produceras, baserat på resultaten från vår proof-of-concept-studie.

Potentiellt problem 3:

Bildegenskaperna som ansvarar för klassificeringen av normala och onormala nivåer av HbA1c (≥6,5%) kunde inte lätt identifieras.

Experimentella alternativ:

Extrahering av visuella egenskaper som kan ge en semantisk och robust representation av tungbilder med onormala nivåer av HbA1c är mycket önskvärt. Den feta och tjocka beläggningen, som vi har identifierat som egenskaper för klassificeringen, behöver definieras ytterligare. För detta ändamål kommer vi att prova olika tekniker som föreslagits i litteraturen (Ching et al., 2018), inklusive att tilldela exempelspecifika viktpoäng, matcha eller överdriva den dolda representationen, aktiveringsmaximering och latent rymdmanipulation, etc.