Objektivering af tungediagnose i traditionel medicin, dataanalyse og undersøgelsesanvendelse

Summary

Denne undersøgelse anvendte U-Net og andre deep learning-algoritmer til at segmentere et tungebillede og sammenlignede segmenteringsresultaterne for at undersøge objektiveringen af tungediagnosen.

Abstract

Tungediagnose er en vigtig teknik til diagnose af traditionel kinesisk medicin (TCM), og behovet for objektivering af tungebilleder gennem billedbehandlingsteknologi vokser. Denne undersøgelse giver et overblik over de fremskridt, der er gjort inden for objektivering af tungen i løbet af det sidste årti, og sammenligner segmenteringsmodeller. Forskellige deep learning-modeller er konstrueret til at verificere og sammenligne algoritmer ved hjælp af ægte tungebilledsæt. Styrker og svagheder ved hver model analyseres. Resultaterne indikerer, at U-Net-algoritmen overgår andre modeller med hensyn til præcisionsnøjagtighed (PA), tilbagekaldelse og gennemsnitlig skæring over union (MIoU) målinger. På trods af de betydelige fremskridt inden for indsamling og behandling af tungebilleder er der dog endnu ikke etableret en ensartet standard for objektivering af tungediagnose. For at lette den udbredte anvendelse af tungebilleder, der er taget ved hjælp af mobile enheder til objektivering af tungediagnoser, kan yderligere forskning tage fat på udfordringerne ved tungebilleder, der er taget i komplekse miljøer.

Introduction

Tungeobservation er en udbredt teknik i traditionel kinesisk etnisk medicin (TCM). Tungens farve og form kan afspejle den fysiske tilstand og forskellige sygdomsegenskaber, sværhedsgrader og prognoser. For eksempel i traditionel Hmong-medicin bruges tungens farve til at identificere kropstemperatur, f.eks. indikerer en rød eller lilla tunge patologiske faktorer relateret til varme. I tibetansk medicin bedømmes en tilstand ved at observere patientens tunge og være opmærksom på slimets farve, form og fugtighed. For eksempel bliver tungerne hos patienter med Heyis sygdom røde og ru eller sorte og tørre¹; patienter med Xieri sygdom² har gule og tørre tunger; i mellemtiden har patienter med Badakan sygdom³ en hvid, fugtig og blød tunge⁴. Disse observationer afslører det tætte forhold mellem tungetræk og fysiologi og patologi. Samlet set spiller tungenes tilstand en afgørende rolle i diagnose, sygdomsidentifikation og evaluering af behandlingseffekten.

På grund af forskellige levevilkår og kostvaner blandt forskellige etniske grupper er variationer i tungebilleder samtidig tydelige. Lab-modellen, der blev oprettet på grundlag af en international standard til bestemmelse af farve, blev formuleret af Commission International Eclairage (CIE) i 1931. I 1976 blev et farvemønster ændret og navngivet. Lab-farvemodellen består af tre elementer: L svarer til lysstyrke, mens a og b er to farvekanaler. a omfatter farver fra mørkegrøn (lav lysstyrkeværdi) til grå (medium lysstyrkeværdi) til lyserød (høj lysstyrkeværdi); b går fra lyseblå (lav lysstyrkeværdi) til grå (medium lysstyrkeværdi) til gul (høj lysstyrkeværdi). Ved at sammenligne L x a x b-værdierne for tungefarven på fem etniske grupper fandt Yang et ^al.5 , at egenskaberne ved tungebilleder af Hmong-, Hui-, Zhuang-, Han- og mongolske grupper var signifikant forskellige fra hinanden. For eksempel har mongolerne mørke tunger med en gul tungebelægning, mens Hmong har lyse tunger med en hvid tungebelægning, hvilket tyder på, at tungefunktioner kan bruges som en diagnostisk indikator til vurdering af en befolknings sundhedstilstand. Desuden kan tungebilleder fungere som et evalueringsindeks for evidensbaseret medicin i klinisk forskning af etnisk medicin. Han et ^al.6 anvendte tungebilleder som grundlag for TCM-diagnose og evaluerede systematisk sikkerheden og effekten af Chou-Ling-Dan-pellets (CLD-granulat, der anvendes til behandling af inflammatoriske og febersygdomme, herunder sæsoninfluenza i TCM) kombineret med kinesisk og vestlig medicin. Resultaterne etablerede den videnskabelige validitet af tungebilleder som et evalueringsindeks for kliniske undersøgelser. Ikke desto mindre er traditionelle læger generelt afhængige af subjektivitet for at observere tungekarakteristika og vurdere patienters fysiologiske og patologiske tilstande, hvilket kræver mere præcise indikatorer.

Fremkomsten af internettet og kunstig intelligensteknologi har banet vejen for digitalisering og objektivering af tungediagnose. Denne proces involverer brug af matematiske modeller til at give en kvalitativ og objektiv beskrivelse af tungebilleder⁷, der afspejler indholdet af tungebilledet. Processen omfatter flere trin: billedoptagelse, optisk kompensation, farvekorrektion og geometrisk transformation. De forbehandlede billeder føres derefter ind i en algoritmisk model til billedpositionering og segmentering, funktionsekstraktion, mønstergenkendelse osv. Resultatet af denne proces er en yderst effektiv og præcis diagnose af tungebilleddata, hvorved målet om objektivering, kvantificering og informatisering af tungediagnose⁸ opnås. Således opnås formålet med høj effektivitet og høj præcisionsbehandling af tungediagnosedata. Baseret på viden om tungediagnose og dyb læringsteknologi adskilte denne undersøgelse automatisk tungekroppen og tungebelægningen fra tungebilleder ved hjælp af en computeralgoritme for at udtrække de kvantitative egenskaber ved tunger til læger, forbedre diagnosens pålidelighed og konsistens og tilvejebringe metoder til efterfølgende tungediagnoseobjektiveringsforskning⁹.

Protocol

Denne undersøgelse er godkendt af National Natural Science Foundation of China-projektet, Constructing Dynamic Change rules of TCM Facial image Based on Association Analysis. Det etiske godkendelsesnummer er 2021KL-027, og den etiske komité har godkendt den kliniske undersøgelse, der skal udføres i overensstemmelse med de godkendte dokumenter, som omfatter klinisk forskningsprotokol (2021.04.12, V2.0), informeret samtykke (2021.04.12, V2.0), forsøgsrekrutteringsmateriale (2021.04.12, V2.0), undersøgelsessager og/el…

Representative Results

For sammenligningsresultaterne, se figur 12, figur 13 og tabel 1, hvor miljøet konstrueret af denne undersøgelse bruger de samme prøver til at træne og teste algoritmemodellen. MIoU-indikator: U-Net > Seg-Net > PSPNet > DeeplabV3; MPA-indikator: U-Net > Seg-Net > PSPNet > DeeplabV3; præcisionsindikator: U-Net > Seg-Net > DeeplabV3 > PSPNet; tilbagekaldelse: U-Net > Seg-Net > PSPNet > DeeplabV3. Jo større indeksværdien er, jo højere er s…

Discussion

På grundlag af de ovenfor præsenterede sammenligningsresultater er det tydeligt, at egenskaberne ved de fire algoritmer, der er under overvejelse, er forskellige, og deres forskellige fordele og ulemper er beskrevet nedenfor. U-Net-strukturen, der er baseret på modifikation og udvidelse af et fuldt konvolutionsnetværk, kan opnå kontekstuel information og præcis positionering gennem en kontraktsti og en symmetrisk ekspansionssti. Ved at klassificere hvert pixelpunkt opnår denne algoritme en højere segmenteringsnø…

Materials

CPU	Intel(R) Core(TM) i7-9700K
GPU	NVIDIA GeForce RTX 3070 Ti (8192MB)
Operating systems	Microsoft Windows 10 Professional Edition (64-bit)
Programming language	Python
RAM	16G