Blog

Jan 09, 2024

Zuverlässigkeit von nicht

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 1334 (2023) Diesen Artikel zitieren

884 Zugriffe

2 Altmetrisch

Details zu den Metriken

Das Sjögren-Syndrom (SS) ist eine Autoimmunerkrankung, die durch Mundtrockenheit gekennzeichnet ist. Die Ursache des SS ist unbekannt und die vielfältigen Symptome erschweren die Diagnose. Der Saxon-Test, eine intraorale Untersuchung, wird als primäre Diagnosemethode für SS eingesetzt, allerdings ist das Risiko einer Speichelinfektion problematisch. Daher untersuchen wir die Möglichkeit, SS durch berührungslose und bildgebende Beobachtung der Zungenoberfläche zu diagnostizieren. In dieser Studie haben wir Zungenfotos von 60 Patienten in der Ambulanz der Tsurumi University School of Dentistry gemacht, um den Zusammenhang zwischen den Merkmalen der Zunge und SS zu klären. Wir haben die Zunge in vier Regionen unterteilt und die Farbe jeder Region in den CIE1976L*a*b*-Raum umgewandelt und statistisch analysiert. Um die Möglichkeit einer SS-Diagnose mithilfe der Zungenfarbe experimentell zu klären, verwendeten wir drei Modelle des maschinellen Lernens: logistische Regression, Support-Vektor-Maschine und Random Forest. Darüber hinaus haben wir diagnostische Vorhersagemodelle basierend auf den Bagging- und Stacking-Methoden in Kombination mit drei maschinellen Lernmodellen zur vergleichenden Bewertung erstellt. Diese Analyse nutzte eine Dimensionskomprimierung durch Hauptkomponentenanalyse, um Redundanz in den Zungenfarbinformationen zu beseitigen. Wir fanden einen signifikanten Unterschied zwischen dem a*-Wert des hinteren Teils der Zunge und dem b*-Wert des mittleren Teils der Zunge bei SS- und Nicht-SS-Patienten. Zusätzlich zu den Hauptkomponentenbewertungen der Zungenfarbe wurde die Support Vector Machine anhand des Alters trainiert und erreichte eine hohe Genauigkeit (71,3 %) und Spezifität (78,1 %). Die Ergebnisse zeigen, dass die Vorhersage der SS-Diagnose anhand der Zungenfarbe ein Niveau erreicht, das mit Modellen des maschinellen Lernens vergleichbar ist, die mit dem Saxon-Test trainiert wurden. Dies ist die erste Studie, die maschinelles Lernen nutzt, um die SS-Diagnose durch berührungslose Zungenbeobachtung vorherzusagen. Unsere vorgeschlagene Methode kann möglicherweise die frühe SS-Erkennung einfach und bequem unterstützen und das Infektionsrisiko bei der Diagnose eliminieren. Sie sollte in der klinischen Praxis validiert und optimiert werden.

Das Sjögren-Syndrom (SS) ist eine Autoimmunerkrankung, die durch Mundtrockenheit und trockene Augen gekennzeichnet ist. Es wird angenommen, dass es durch einen komplexen Zusammenhang zwischen Immunstörungen, weiblicher Hormonsekretion und Vererbung verursacht wird. Die genaue Ursache dieser Krankheit muss jedoch noch geklärt werden. Zur Diagnose von SS wurden mehrere klinische Tests eingesetzt. Eine der am häufigsten verwendeten mündlichen Untersuchungen ist der Saxon-Test, bei dem der Speichel quantitativ beobachtet wird, um Mundtrockenheit festzustellen. Allerdings hat das Vorhandensein des COVID-19-Virus im Speichel in den letzten Jahren die Durchführung von Speicheltests zur Beurteilung oraler Erkrankungen erschwert. Daher ist es notwendig, eine objektive Methode zur Beurteilung oraler Erkrankungen zu entwickeln.

Zu den häufigsten Symptomen von SS gehören Mundtrockenheit, Schmerzen in der Zunge, Risse auf der Zunge und Verfärbungen der Zunge aufgrund einer oralen Candidiasis1. Darüber hinaus haben dermatoskopische Untersuchungen gezeigt, dass Unterschiede im Erscheinungsbild der Struktur und Farbe der Zungenoberfläche wichtige Marker für die Diagnose von SS2 sein können. Die Merkmale der Zunge, wie Farbe, Glanz und Form, liefern klinisch wichtige diagnostische Hinweise für die Diagnose mehrerer anderer Krankheiten3,4.

Jüngste Studien haben das vielversprechende Potenzial maschineller Lernmethoden bei der Entwicklung mehrerer Bioinformatik-Tools5,6 und Anwendungen zur Analyse von Zungenbildern7 aufgezeigt. Der Einsatz bildgebender Geräte zur Diagnose von Krankheiten ist ein einfacher und schneller Ansatz und kann als Screening-Test für verschiedene Krankheiten geeignet sein. In einer früheren Studie haben wir ein Zungenbildanalysesystem (TIAS) entwickelt, das für eine computergestützte Zungendiagnose basierend auf der Farbe der Zunge verwendet werden kann8,9. Das wesentliche Merkmal der Zungenbildgebungsmethode von TIAS ist der Ausschluss des Einflusses von Fremdlicht durch den Einsatz einer Ulbrichtkugel, um eine gleichmäßig verteilte Lichtintensität zu erreichen. Darüber hinaus kann das TIAS den Glanz der Zungenoberfläche aus seinen Bildern entfernen, um die Farbe der Zungenoberfläche und des Zungenbelags zu stabilisieren.

Studien, die die Diagnose von SS anhand objektiver Informationen vorhersagen, sind sehr selten. Jesper et al.10 klassifizierten SS-Patienten auf der Grundlage routinemäßig erfasster Daten aus der Grundversorgung. Mithilfe der LR- und RF-Modelle für maschinelles Lernen stellten sie fest, dass das LR-Modell eine Genauigkeit von 0,82 bzw. 0,84 das RF-Modell hatte. Obwohl die LR- und RF-Modelle eine hohe Vorhersagegenauigkeit erreichten, sind sie nicht auf die unmittelbare medizinische Versorgung anwendbar, da sie routinemäßig erfasste Daten der Primärversorgung als Eingabeinformationen verwenden, wodurch die Anzahl der Patienten, auf die sie angewendet werden können, begrenzt ist.

In dieser Studie untersuchten wir die Möglichkeit, SS mithilfe der maschinellen Lernklassifizierung von Zungenbildern zu diagnostizieren, die von TIAS erhalten wurden. Die Ergebnisse wurden mit den Klassifizierungsergebnissen des Saxon-Tests verglichen, der ein diagnostisches Kriterium für SS darstellt, um festzustellen, ob die in dieser Studie vorgeschlagene Methode als alternative Methode zur Diagnose von SS während der COVID-19-Pandemie verwendet werden kann.

TIAS ist ein fotografisches Gerät zur Aufnahme des Bildes der Zunge und ist mit einer diffusen Lichtquelle zur Aufnahme des Zustands der Zungenoberfläche ausgestattet. Das in dieser Studie verwendete TIAS besteht aus einer Kinnstütze und einer Stirnstütze zur Fixierung des Gesichts des Probanden. Um die Bilder der Zunge aufzunehmen, wurden zunächst Kamera und Lichtquelle mithilfe eines Farbprüfgeräts kalibriert. Der zur Kalibrierung der Kamera und der Lichtquelle verwendete Farbprüfer war X-Rite Color Checker (früher bekannt als Munsell). Durch das Fotografieren der bekannten 24 Farben des Farbprüfers wird durch multiple Regressionsanalyse eine Konvertierungsmatrix vom RGB-Farbraum der Kamera in den XYZ-Farbraum erstellt. Die Konvertierung in den L*a*b*-Farbraum erfolgt nach der von CIE vorgegebenen Konvertierungsformel. Anschließend wurden die Zungen der Patienten 20 Sekunden lang 10 Mal pro Sekunde erfasst und insgesamt 200 Bilder (1024 * 1280 Pixel) aufgenommen. Aus den 200 Bildern wählte der Bediener ein Bild aus, das unmittelbar nach dem Herausstrecken der Zunge aufgenommen und vollständig belichtet wurde, um es zu analysieren. Abschließend wurden die erfassten RGB-Zungenbilder auf der Grundlage der aus den Farbdiagrammen mithilfe der multiplen Regressionsmethode geschätzten Konvertierungsmatrix in CIE1976L*a*b* konvertiert. Der CIE1976L*a*b*-Farbraum ist geräteunabhängig und das Ausmaß der Änderung jedes Werts entspricht dem Ausmaß der Änderung zwischen dem Reiz und dem menschlichen Sehvermögen. Das in dieser Studie verwendete Bild des TIAS ist in Abb. 1 dargestellt.

Bild des Zungenbildanalysesystems (TIAS). Das in dieser Studie verwendete TIAS ist mit einer Kinnstütze und einer Stirnstütze zur Fixierung des Gesichts des Probanden ausgestattet.

Um die Zungenfarbe jedes Mal im gleichen Bereich zu erhalten, wurde die Form der Zunge durch manuelle Bestimmung von fünf Punkten entlang der Zungenkontur definiert. Anschließend wurden vier Bereiche der Zunge mit festen Proportionen definiert: (1) Zungenrand, (2) Zungenrückseite, (3) Zungenmitte und (4) Zungenspitze. Der definierte Bereich war ein Kreis mit einem Radius von 10 Pixeln, und die durchschnittliche Farbe jedes Bereichs wurde geschätzt.

Abbildung 2 zeigt die Definition der Gebiete. Wie im Bild zu sehen ist, gibt es an der Zungenspitze (Bereich 1) fast keinen Zungenbelag und die Farbe dieses Bereichs ähnelt der des Zungenkörpers. Im Gegensatz dazu war die Farbe der Zunge in den anderen drei Bereichen (Bereiche 2–4) eine Mischung aus der Farbe des Zungenbelags und der Farbe des Zungenkörpers. Diese Methode der Einteilung der Zunge in einzelne Bereiche wird traditionell in der Zungendiagnostik eingesetzt.

Definition der Bereiche. (1) Rot entspricht dem Zungenrand, (2) Grün entspricht dem Zungenrücken, (3) Blau entspricht der Zungenmitte und (4) Orange entspricht der Zungenspitze.

Statistische Analysedaten werden als Zahl oder Mittelwert ± Standardabweichung (SD) ausgedrückt. Für kontinuierliche Variablen haben wir den Student-t-Test und den Mann-Whitney-Test verwendet. Alle statistischen Analysen wurden mit scikit-learn, einer Bibliothek für maschinelles Lernen, durchgeführt.

Um die Möglichkeit der SS-Diagnose anhand der Zungenfarbe experimentell zu klären, haben wir Informationen über die Zungenfarbe aus dem Datensatz extrahiert und einen Klassifikator für maschinelles Lernen trainiert. Für die erste Validierung wurden drei bekannte Algorithmen ausgewählt: Logistic Regression (LR), Support Vector Machine (SVM)11 und Random Forest (RF)12. LR ist der älteste Klassifizierungsalgorithmus und verwendet eine nichtlineare Sigmoidfunktion, die im Vergleich zur linearen Klassifizierung, die auf einem Schwellenwert basiert, eine etwas komplexere Einteilung von Bildern in Klassen ermöglicht. Die Klassifizierung von SVM ist nichtlinearer als die von LR, da sie die Kernel-Methode verwendet (siehe Abbildung 3). Im Gegensatz dazu kann RF auf der Grundlage einfacher bedingter Verzweigungen mehrere schwache Klassifikatoren lernen und diese kombinieren, um eine Hochleistungsklassifizierung zu erreichen (siehe Abbildung 4). Um den Effekt des Ensemble-Lernens durch die Kombination dieser Algorithmen zu berücksichtigen, haben wir außerdem die Verwendung der Bagging-Methode und der Stacking-Methode ausprobiert, wie in Abb. 5 dargestellt. Die Bagging-Methode in Abb. 5a verwendet drei SVM-Modelle, um SS by vorherzusagen Eingabe der Hauptkomponentenwerte Zungenfarbe, Geschlecht bzw. Alter und Berechnung des endgültigen Vorhersageergebnisses durch Mehrheitsentscheidung aus den Vorhersageergebnissen der drei Modelle. Die Stapelmethode in Abb. 5b verwendet ein SVM-Modell, ein RF-Modell und ein LR-Modell. Zunächst gibt das SVM-Modell die Vorhersage von SS mit der Eingabe der Hauptkomponentenbewertung von Zungenfarbe, Geschlecht und Alter aus. Als nächstes gibt das RF-Modell auch die Hauptkomponentenbewertungen von Zungenfarbe, Geschlecht und Alter ein und gibt die Vorhersage von SS aus, und das LR-Modell gibt die Vorhersagen der SVM- und RF-Modelle ein und berechnet die endgültige Vorhersage.

Die Grundlage der SVM-Klassifizierung.

Die Grundlage der RF-Klassifizierung.

Ensemble maschineller Lernalgorithmen. (a) Bagging: Trainieren Sie mehrere Klassifikatoren für jedes Merkmal und kombinieren Sie die Ergebnisse durch Soft Voting. (b) Stapeln: Verwenden Sie die Vorhersagen mehrerer schwacher Klassifikatoren, um ein Modell zu trainieren.

Jeder Parameter wurde mithilfe einer Rastersuche optimiert und das Modell mithilfe einer geschichteten fünffachen Kreuzvalidierung validiert. Der Suchbereich der Hyperparameter für jeden Algorithmus ist in Tabelle 1 dargestellt. Für die Validierung wurde der Datensatz zunächst in fünf Falten unterteilt, indem die Proportionen der Klassen angepasst wurden. Anschließend wurde eine der Falten für die Validierung verwendet und die anderen vier wurden zum Trainieren des Modells verwendet. Die Daten wurden durch Mittelung der Bewertungen jeder Falte ausgewertet. Um die Verzerrung bei der Aufteilung zu verringern, wurde die durchschnittliche Punktzahl durch zehnmalige Wiederholung der Kreuzvalidierung berechnet.

Die in das Modell eingegebenen Merkmale wurden skaliert, um sicherzustellen, dass der Mittelwert und die Standardabweichung 0 bzw. 1 betrugen. Anschließend wurde eine Dimensionskomprimierung durch Hauptkomponentenanalyse angewendet, um unwichtige Merkmale mit geringer Varianz auszuschließen und die Informationen zu aggregieren. Aus den Trainingsmustern wird ein Hauptkomponentenvektor berechnet und die 12 gemessenen Farbwerte (L*-, a*-, b*-Werte in vier Bereichen) werden in drei Hauptkomponentenbewertungen umgewandelt, indem sie auf den ersten bis dritten Hauptkomponentenvektor projiziert werden. Diese Hauptkomponentenwerte werden als Eingabemerkmal für maschinelles Lernen verwendet. Um schließlich ein Ungleichgewicht im Trainingsdatensatz zu beseitigen, haben wir mithilfe von SMOTE13 zufällig eine Überabtastung der Trainingsfälle in der Trainingspipeline durchgeführt.

Die Ethikkommission der Tsurumi University School of Dental Medicine hat diese Studie genehmigt (Genehmigungsnummer 244, 19. August 2004 und Genehmigungsnummer 521, 21. März 2008) und alle Untersuchungen wurden in Übereinstimmung mit den Richtlinien der Ethikkommission durchgeführt. Alle Patienten gaben eine schriftliche Einverständniserklärung ab.

Alle in Tabelle 2 aufgeführten menschlichen Proben wurden in der Ambulanz der Tsurumi University School of Dental Medicine untersucht. SS-Patienten hatten typische Symptome von Mundtrockenheit wie Schluckbeschwerden, Geschmacksstörungen oder ein brennendes Gefühl auf der Zunge. Bei Proben mit stimulierten Werten von < 2 g/2 Min. wurde durch den Saxon-Test Mundtrockenheit diagnostiziert. Die Diagnose erfolgte anhand der vom japanischen Ministerium für Gesundheit, Arbeit und Soziales vorgeschlagenen Kriterien. Diese Patienten hatten vor dieser Untersuchung mindestens 6 Monate lang keine Glukokortikoide oder Immunsuppressiva erhalten. Die Proben wurden dann in zwei verschiedene Untergruppen eingeteilt: SS-Gruppe mit einem Saxon-Test von < 2 g/2 Min., normale gesunde Personen ohne SS mit einem Saxon-Test ≥ 2 g/2 Min.

Um den Zusammenhang zwischen SS und Zungenfarbe quantitativ zu untersuchen, wurden zunächst die CIE1976 L*a*b*-Werte der vier Bereiche statistisch analysiert. Wie in Tabelle 3 gezeigt, gibt es einen statistisch signifikanten Unterschied zwischen den a*-Werten von Bereich 2 (p < 0,05) und den b*-Werten von Bereich 3 (p < 0,05). Der a*-Wert stellt die Grün-Rot-Komponente dar, mit negativen Werten in Richtung Grün und positiven Werten in Richtung Rot. Darüber hinaus war, wie in Abb. 6 dargestellt, die Farbe des Zungenrückens von SS-Patienten rötlicher als die des Zungenrückens von Nicht-SS-Patienten. Frühere Studien2,14 deuten darauf hin, dass die Entzündung der Zunge von SS-Patienten aufgrund von Mundtrockenheit zu einer Veränderung des Farbtons der gesamten Zunge in Richtung Rot führt. Diese Hypothese steht im Einklang mit den Ergebnissen dieser Studie, da die a*-Werte des Zungenrückens bei SS-Patienten signifikant höher waren. Darüber hinaus gab es einen signifikanten Unterschied in den b*-Werten des mittleren Bereichs, der möglicherweise auf den Zungenbelag zurückzuführen ist. Dies liegt daran, dass Patienten mit Mundtrockenheit aufgrund des Wachstums oraler Bakterien oft einen dicken Belag auf der Zunge haben.

Vergleich der Zungen von SS-Patienten mit denen von Nicht-SS-Patienten. (a) a1-4 und (b) b1-4 geben das a* und das b* jedes in Abb. 2 definierten Zungenbereichs an.

Zuerst wurde die PCA auf die Zungenfarbe angewendet und die berechnete kumulative Beitragsrate der Hauptkomponenten (PCs) ist in Abb. 7a dargestellt. Die Beitragssätze des ersten PC (PC1), des zweiten PC (PC2) und des dritten PC (PC3) betrugen 37,8 %, 24,9 % bzw. 17,6 %. Damit erhöhte sich der kumulierte Beitragssatz im PC3 auf 80,3 %. Die Verteilung der Faktorladungen für PC1 und PC2 der 12 Farbwerte ist in Abb. 7b dargestellt, wobei L, a und b die L*-, a*- und b*-Werte darstellen und die Zahlen Zungenregionen darstellen (1: Kante, 2:posterior, 3:mitte, 4:apex). PC1 stellt die a*- und L*-Werte dar, während PC2 die b*-Werte darstellt, was zu einem hohen kumulativen Beitrag (62,7 %) von PC1 und PC2 führte. Darüber hinaus wurde jeder L*a*b*-Wert unabhängig von der Fläche nahezu gleich behandelt; Allerdings wurde der L*a*b*-Wert in Bereich 2 als relativ höher oder niedriger als der der anderen Bereiche angesehen. Dies kann auf die Tatsache zurückgeführt werden, dass der Zungenrücken, der als Bereich 2 bezeichnet wird, dazu neigt, mit Zungenbelag bedeckt zu sein und sich von den anderen Bereichen unterscheidet.

Ergebnis der Hauptkomponentenanalyse (PCA) der Zungenfarbe. (a) Kumulierter Beitragssatz der Hauptkomponenten (PCs). (b) Die Verteilung der Faktorladungen für die erste und zweite Hauptkomponente der 12 Farbwerte wird angezeigt, wobei L, a und b die L*-, a*- und b*-Werte darstellen und die Zahlen Zungenregionen darstellen (1 :Kante, 2:posterior, 3:Mitte, 4:Apex).

Um die Daten auszuwerten, haben wir LR, SVM und RF trainiert und verglichen. Da es nicht wünschenswert ist, die Fläche unter der Betriebscharakteristik oder Genauigkeit des Empfängers zur Bewertung zu verwenden, wenn die Anzahl der einzelnen Klassen unausgeglichen ist, haben wir in dieser Studie die Fläche unter der Präzisions-Rückruf-Kurve (AP) verwendet, indem wir die Trainingsergebnisse gemittelt haben jede Kreuzvalidierung (mAP). Die Ergebnisse sind in Tabelle 4 aufgeführt. Unter den drei Klassifizierungsalgorithmen zeigte SVM die beste Leistung bei einer durchschnittlich hohen Präzision in Bezug auf die Empfindlichkeit. Im Gegensatz dazu wies LR die geringste Spezifität auf, was auf die Tatsache zurückgeführt werden konnte, dass es alle Fälle als positiv vorhersagte und die Eingabemerkmale nicht den Klassen zuordnete. SVM übertraf RF in allen Funktionen, was darauf hindeutet, dass es besser für die Vorhersage von SS geeignet ist. Wir haben auch das Stacking und das Bagging, eine Art Ensemble-Lernen, ausgewertet, um den Effekt der Kombination von Klassifikatoren zu untersuchen. Dennoch war ihre Leistung nicht so gut wie die der SVM. Die in dieser Studie vorgeschlagene Methode erreichte eine hohe Genauigkeit (71,3 %) und Spezifität (78,1 %), wenn die SVM zusätzlich zu den PCs der Zungenfarbe auf das Alter und Geschlecht des Patienten trainiert wurde. Die Dimensionsreduktion verbesserte effektiv die Leistung dieser Methode.

Die Genauigkeit der Farbkonvertierung von RGB- in L*a*b*-Werte wurde durch Berechnung des quadratischen Mittelfehlers (RMSE) anhand einer Stichprobe von 128 Farben überprüft, die sich von den 24 für die Kalibrierung verwendeten Farben unterscheiden und Zunge und Haut ähneln Farben. Die Ergebnisse zeigten, dass die Fehler für L*, a* und b* 5,5, 2,1 bzw. 3,9 betrugen. Im Vergleich zur Standardabweichung jedes Farbwerts in Tabelle 3 wurde festgestellt, dass die Farbkonvertierungsfehler L* und a* kleiner als die Variation im Datensatz waren, während der b*-Fehler größer als die Variation im Datensatz war. Die Verbesserung der Genauigkeit der b*-Farbkonvertierung ist ein Thema für die Zukunft.

Da die in dieser Studie verwendete Datensatzgröße klein ist (60), wurden anstelle komplexer Modelle wie Deep Learning klassische Modelle für maschinelles Lernen wie LR, SVM und RF verwendet. Die Ergebnisse zeigen, dass es zu keiner Überanpassung kam, da die Testdaten, die von den Trainingsdaten getrennt sind, ebenfalls eine hohe Vorhersageleistung zeigten.

Um den Zusammenhang zwischen Zunge und SS zu klären, haben wir in dieser Studie die Bilder der Zungen von SS-Patienten erhalten und analysiert. Die Farbe der Zunge wurde extrahiert und in den CIE1976L*a*b*-Raum umgewandelt, indem sie basierend auf der Kampo-Medizin in vier Bereiche unterteilt wurde. Die Ergebnisse zeigten, dass es einen statistisch signifikanten Unterschied im a*-Wert am Zungenrücken und im b*-Wert in der Zungenmitte bei SS- und Nicht-SS-Patienten gab. Dies deutet darauf hin, dass das Erscheinungsbild der Zunge bei SS-Patienten aufgrund einer Zungenentzündung und eines erhöhten Zungenbelags verändert war. Um die Beziehung zwischen SS und der Zunge weiter zu untersuchen, haben wir einen Klassifikator für maschinelles Lernen trainiert, um SS anhand der Farbe der Zunge zu diagnostizieren. In diesem Experiment wurden die besten Ergebnisse mit PCA erzielt, und die Ergebnisse zeigten, dass SVM der am besten geeignete Klassifizierungsalgorithmus für die Vorhersage von SS war, gefolgt von RF und schließlich LR. Die geringste Leistung von LR wurde auf seine deutlich geringere Spezifität zurückgeführt, wobei LR in allen Fällen positive Ergebnisse lieferte. Dies kann auf die Unfähigkeit zurückgeführt werden, Merkmale der Eingabedaten negativen Klassen zuzuordnen. Andererseits gilt RF als vorteilhaft für Klassifizierungsaufgaben mit hochdimensionalen Eingabedaten. Allerdings waren die in dieser Studie verwendeten Eingabedaten vor der Dimensionskomprimierung 12-dimensional und danach dreidimensional, und die Anzahl der Dimensionen der Eingabedaten war nicht so hoch. Wie in Abb. 7a dargestellt, beträgt das kumulative Beitragsverhältnis bis zu 9 Dimensionen 99 %. Daher wird davon ausgegangen, dass die Eigenschaften von RF nicht genutzt werden konnten. Obwohl die Größe des Datensatzes in dieser Studie begrenzt war, wurde die Leistung durch die Kombination der Dimensionsreduktion mithilfe von PCA und SVM verbessert, was bei kleinen Datenmengen robust ist. Darüber hinaus stellten wir fest, dass die diagnostische Leistung dieser Methode durch die Hinzufügung des Alters des Patienten weiter auf ein Niveau verbessert wurde, das mit dem eines mit dem Saxon-Test trainierten Klassifikators vergleichbar ist, wohingegen die Wirksamkeit der Geschlechtsinformationen aufgrund fehlender Informationen nicht bewertet werden konnte des männlichen Patienten in positiven Fällen. Eine verwandte Studie10 zeigt eine hohe Vorhersageleistung mit AUC = 0,84. Obwohl die AUC in dieser Studie nicht berechnet werden konnte und mit dem mAP-Wert verglichen wurde, wird die Vorhersageleistung der Studie10 als höher als die dieser Studie eingeschätzt. Während die entsprechenden Studien jedoch eine regelmäßige Aufzeichnung der Daten zur Primärversorgung erfordern, ist die in dieser Studie vorgeschlagene Methode sehr einfach und erfordert nur ein einziges Foto der Zunge und Angaben zum Alter. Wir sind der Ansicht, dass diese Studie die einzige Methode ist, die umfassend zur Früherkennung von SS-Patienten beitragen kann, da sie auf verschiedene Situationen wie körperliche Untersuchungen und Massen-Screening-Tests angewendet werden kann. Die in dieser Studie verwendeten statistischen und maschinellen Lernmethoden zeigten, dass sich das Erscheinungsbild der Zunge von SS-Patienten veränderte, was auf ein vielversprechendes Potenzial für die klinische Diagnose von SS hinweist.

Ein Bericht15 zeigte, dass beim Sjögren-Syndrom ein signifikantes Geschlechterverhältnis besteht, wobei mehr als 90 % der Patienten weiblich sind. Daher kann davon ausgegangen werden, dass das Geschlecht ein wichtiges Merkmal für die Vorhersage von SS ist. Die Tatsache, dass der SS-positive Datensatz in dieser Studie keine männlichen Daten umfasst, gibt Anlass zu Bedenken hinsichtlich einer Verzerrung bei der Bewertung der Vorhersagegenauigkeit des maschinellen Lernmodells. Dieser Punkt muss durch zukünftige Erweiterung des Datensatzes überprüft werden. Darüber hinaus beträgt die Zahl der positiven Fälle weniger als die Hälfte der Zahl der negativen Fälle. Mit anderen Worten: Es besteht eine allgemeine Tendenz, dass die Ausgabe auf die Klasse mit den meisten Fällen ausgerichtet ist. Allerdings ist in dieser Studie trotz der großen Anzahl negativer Fälle die Sensitivität des positiven Nachweises sehr hoch. Daher ist die Auswirkung eines Datenungleichgewichts gering. Wir planen, diesen Punkt weiter zu untersuchen, indem wir die Anzahl der Fälle in Zukunft erhöhen.

In nachfolgenden Studien werden wir die Möglichkeit untersuchen, SS-Patienten von Nicht-SS-Patienten in einer Gruppe von Patienten mit Mundtrockenheit zu unterscheiden. Darüber hinaus werden wir uns an Universitäten und Kliniken wenden, um komplexere Modelle wie Faltungs-Neuronale Netze zu trainieren, indem wir die Fallzahlen erhöhen und die Ergebnisse mit denen unserer Methode vergleichen.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Soto-Rojas, AE, Villa, AR, Sifuentes-Osornio, J., Alarcón-Segovia, D. & Kraus, A. Orale Manifestationen bei Patienten mit Sjögren-Syndrom. J Rheumatol. 25(5), 906–910 (1998).

CAS Google Scholar

Maeda, M. Dermatoskopische Muster der fadenförmigen Papillen der Zunge bei Patienten mit Sjögren-Syndrom. J. Dermatol. 33(2), 96–102. https://doi.org/10.1111/j.1346-8138.2006.00020.x (2006).

Artikel Google Scholar

Kainuma, M. et al. Der Zusammenhang zwischen objektiver Zungenfarbe und endoskopischen Befunden: Ergebnisse der Bevölkerungsstudie Kyushu und Okinawa (KOPS). BMC Compl. Altern. Med. 15, 372. https://doi.org/10.1186/s12906-015-0904-0 (2015).

Artikel Google Scholar

Oji, T. et al. Untersuchung der Faktoren, die bei der Diagnose der Zungenfarbe von Kampo-Ärzten beteiligt sind, unter Verwendung des Farnsworth-Munsell 100-Farbtontests und Zungenfarbbildern. Evidenzbasierte Kompl. Altern. Med. 2014, 783102. https://doi.org/10.1155/2014/783102 (2014).

Artikel Google Scholar

Hasan, MM et al. NeuroPred-FRL: Ein interpretierbares Vorhersagemodell zur Identifizierung von Neuropeptiden mithilfe des Lernens der Merkmalsdarstellung. Kurzes Bioinform. 22(6), bbab167. https://doi.org/10.1093/bib/bbab167 (2021).

Artikel CAS Google Scholar

Hasan, MM et al. HLPpred-Fuse: Verbesserte und robuste Vorhersage des hämolytischen Peptids und seiner Aktivität durch Fusion mehrerer Merkmalsdarstellungen. Bioinformatik 36(11), 3350–3356. https://doi.org/10.1093/bioinformatics/btaa160 (2020).

Artikel CAS Google Scholar

Ma, J., Wen, G., Wang, C. & Jiang, L. Klassifizierungsmethode der Komplexitätswahrnehmung zur Erkennung der Zungenkonstitution. Artif. Intel. Med. 96, 123–133. https://doi.org/10.1016/j.artmed.2019.03.008 (2019).

Artikel Google Scholar

Nakaguchi, T. et al. Vorschlag für eine neue berührungslose Methode zur Messung der Zungenfeuchtigkeit zur Unterstützung der Zungendiagnose und Entwicklung des Zungenbildanalysesystems, das die Glanzkomponenten der Zunge separat aufzeichnen kann. BioMed. Res. Int. 2015, 249609. https://doi.org/10.1155/2015/249609 (2015).

Artikel Google Scholar

Yamamoto, S. et al. Zeitliche Veränderungen der Zungenfarbe als Kriterium für die Zungendiagnose in der Kampo-Medizin. Forsch Komplementmed. 19(2), 80–85. https://doi.org/10.1159/000338516 (2012).

Artikel Google Scholar

Dros, JT et al. Erkennung des primären Sjögren-Syndroms in der Primärversorgung: Entwicklung eines Klassifizierungsmodells unter Verwendung routinemäßiger Gesundheitsdaten und maschinellem Lernen. BMC Prim. Pflege. 23(1), 199. https://doi.org/10.1186/s12875-022-01804-w (2022).

Artikel Google Scholar

Cortes, C. & Vapnik, V. Support-Vektor-Netzwerke. Mach. Lernen. 20, 273–297 (1995).

Artikel MATH Google Scholar

Breiman, L. Zufällige Wälder. Mach. Lernen. 45, 5–32. https://doi.org/10.1023/A:1010933404324 (2001).

Artikel MATH Google Scholar

Chawla, NV, Bowyer, KW, Hall, LO & Kegelmeyer, WP SMOTE: Eine synthetische Minderheits-Oversampling-Technik. J. Artif. Intel. Res. 16, 321–357 (2002).

Artikel MATH Google Scholar

Błochowiak, K. et al. Mundschleimhautmanifestationen beim primären und sekundären Sjögren-Syndrom und Mundtrockenheitssyndrom. Postepy. Dermatol. Alergol. 33(1), 23–27 (2016).

Artikel Google Scholar

Whitacre, C. Geschlechtsunterschiede bei Autoimmunerkrankungen. Nat. Immunol. 2, 777–780. https://doi.org/10.1038/ni0901-777 (2001).

Artikel CAS Google Scholar

Referenzen herunterladen

Graduiertenschule für Wissenschaft und Technologie, Universität Chiba, Chiba, Japan

Keigo Noguchi

Abteilung für Pathologie, Tsurumi University School of Dental Medicine, Yokohama, Japan

Ichiro Saito

Abteilung für Japanisch-Orientalische (Kampo) Medizin, Graduate School of Medicine, Universität Chiba, Chiba, Japan

Takao Namiki

School of Engineering, Chukyo-Universität, Nagoya, Japan

Yuichiro Yoshimura

Zentrum für Frontier Medical Engineering, Universität Chiba, Chiba, Japan

Toshiya Nakaguchi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

KN und TN hatten die Idee für die Studie. KN und YY entwickelten den statistischen Analyseplan und führten statistische Analysen durch. IS und TN trugen zur Interpretation der Ergebnisse bei. TN hat das Originalmanuskript verfasst. TN überwachte die Durchführung dieser Studie. Alle Autoren überprüften den Manuskriptentwurf und überarbeiteten ihn kritisch hinsichtlich des geistigen Inhalts. Alle Autoren stimmten der endgültigen Fassung des Manuskripts zur Veröffentlichung zu.

Korrespondenz mit Toshiya Nakaguchi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Noguchi, K., Saito, I., Namiki, T. et al. Zuverlässigkeit der berührungslosen Zungendiagnose beim Sjögren-Syndrom mithilfe der Methode des maschinellen Lernens. Sci Rep 13, 1334 (2023). https://doi.org/10.1038/s41598-023-27764-4

Zitat herunterladen

Eingegangen: 08. August 2022

Angenommen: 06. Januar 2023

Veröffentlicht: 24. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-27764-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.