Objektivering av tungediagnose i tradisjonell medisin, dataanalyse og studieapplikasjon

Summary

Den nåværende studien benyttet U-Net og andre dype læringsalgoritmer for å segmentere et tungebilde og sammenlignet segmenteringsresultatene for å undersøke objektiveringen av tungediagnosen.

Abstract

Tungediagnose er en viktig teknikk for tradisjonell kinesisk medisin (TCM) diagnose, og behovet for objektiverende tungebilder gjennom bildebehandlingsteknologi vokser. Denne studien gir en oversikt over fremgangen i tungeobjektivering det siste tiåret og sammenligner segmenteringsmodeller. Ulike dype læringsmodeller er konstruert for å verifisere og sammenligne algoritmer ved hjelp av ekte tungebildesett. Styrken og svakhetene til hver modell analyseres. Funnene indikerer at U-Net-algoritmen overgår andre modeller når det gjelder presisjonsnøyaktighet (PA), tilbakekalling og gjennomsnittlig skjæringspunkt over union (MIoU) beregninger. Til tross for den betydelige fremgangen i tungebildeinnsamling og behandling, er det imidlertid ikke etablert en enhetlig standard for objektiverende tungediagnose. For å legge til rette for utbredt bruk av tungebilder tatt med mobile enheter i objektivering av tungediagnose, kan videre forskning adressere utfordringene som tungebilder tatt i komplekse miljøer gir.

Introduction

Tungeobservasjon er en mye brukt teknikk i tradisjonell kinesisk etnisk medisin (TCM). Fargen og formen på tungen kan gjenspeile den fysiske tilstanden og ulike sykdomsegenskaper, alvorlighetsgrader og prognoser. For eksempel, i tradisjonell Hmong-medisin, brukes tungens farge til å identifisere kroppstemperatur, for eksempel indikerer en rød eller lilla tunge patologiske faktorer relatert til varme. I tibetansk medisin vurderes en tilstand ved å observere pasientens tunge, og ta hensyn til slimets farge, form og fuktighet. For eksempel blir tungene til pasienter med Heyis sykdom røde og grove eller svarte og tørre¹; pasienter med Xieris sykdom² har gule og tørre tunger; I mellomtiden har pasienter med Badakan sykdom³ en hvit, fuktig og myk tunge⁴. Disse observasjonene avslører det nære forholdet mellom tungetrekk og fysiologi og patologi. Samlet sett spiller tungens tilstand en viktig rolle i diagnose, sykdomsidentifikasjon og evaluering av behandlingseffekten.

Samtidig, på grunn av ulike levekår og kostholdspraksis blant ulike etniske grupper, er variasjoner i tungebilder tydelige. Lab-modellen, etablert på grunnlag av en internasjonal standard for bestemmelse av farge, ble formulert av Commission International Eclairage (CIE) i 1931. I 1976 ble et fargemønster endret og navngitt. Lab-fargemodellen består av tre elementer: L tilsvarer lysstyrke, mens a og b er to fargekanaler. a inkluderer farger fra mørkegrønn (lav lysstyrkeverdi) til grå (middels lysstyrkeverdi) til lys rosa (høy lysstyrkeverdi); b går fra lyseblå (lav lysstyrkeverdi) til grå (middels lysstyrkeverdi) til gul (høy lysstyrkeverdi). Ved å sammenligne L x a x b verdiene av tungefargen til fem etniske grupper, fant Yang et ^al.5 at egenskapene til tungebilder av Hmong, Hui, Zhuang, Han og mongolske grupper var signifikant forskjellig fra hverandre. For eksempel har mongolerne mørke tunger med et gult tungebelegg, mens Hmong har lette tunger med et hvitt tungebelegg, noe som tyder på at tungefunksjoner kan brukes som en diagnostisk indikator for å vurdere helsestatusen til en befolkning. Videre kan tungebilder fungere som en evalueringsindeks for kunnskapsbasert medisin i klinisk forskning av etnisk medisin. Han et ^al.6 benyttet tungebilder som grunnlag for TCM-diagnose og evaluerte systematisk sikkerheten og effekten av Chou-Ling-Dan-pellets (CLD-granulater som brukes til å behandle inflammatoriske og febersykdommer, inkludert sesonginfluensa i TCM) kombinert med kinesisk og vestlig medisin. Resultatene etablerte den vitenskapelige gyldigheten av tungebilder som en evalueringsindeks for kliniske studier. Likevel er tradisjonelle leger generelt avhengige av subjektivitet for å observere tungeegenskaper og vurdere pasientens fysiologiske og patologiske forhold, noe som krever mer presise indikatorer.

Fremveksten av internett og kunstig intelligens-teknologi har banet vei for digitalisering og objektivering av tungediagnoser. Denne prosessen innebærer å bruke matematiske modeller for å gi en kvalitativ og objektiv beskrivelse av tungebilder⁷, som reflekterer innholdet i tungebildet. Prosessen inkluderer flere trinn: bildeoppkjøp, optisk kompensasjon, fargekorrigering og geometrisk transformasjon. De forhåndsbehandlede bildene mates deretter inn i en algoritmisk modell for bildeposisjonering og segmentering, funksjonsutvinning, mønstergjenkjenning, etc. Resultatet av denne prosessen er en svært effektiv og presis diagnose av tungebildedata, og oppnår dermed målet om objektivering, kvantifisering og informatisering av tungediagnose⁸. Dermed oppnås formålet med høy effektivitet og høy presisjonsbehandling av tungediagnosedata. Basert på tungediagnosekunnskap og dyp læringsteknologi, separerte denne studien automatisk tungekroppen og tungebelegget fra tungebilder ved hjelp av en datamaskinalgoritme, for å trekke ut de kvantitative egenskapene til tunger for leger, forbedre påliteligheten og konsistensen av diagnosen, og gi metoder for påfølgende tungediagnose objektiveringsforskning⁹.

Protocol

Denne studien er godkjent av National Natural Science Foundation of China-prosjektet, Constructing Dynamic Change rules of TCM Facial image Based on Association Analysis. Det etiske godkjenningsnummeret er 2021KL-027, og etisk komité har godkjent at den kliniske studien skal gjennomføres i samsvar med de godkjente dokumentene som inkluderer klinisk forskningsprotokoll (2021.04.12, V2.0), informert samtykke (2021.04.12, V2.0), rekrutteringsmateriell for (2021.04.12, V2.0), studiesaker og/eller kasuistikker, fagdagbokkor…

Representative Results

For sammenligningsresultatene, se figur 12, figur 13 og tabell 1, der miljøet konstruert av denne studien bruker de samme prøvene for å trene og teste algoritmemodellen. MIoU-indikator: U-Net > Seg-Net > PSPNet > DeeplabV3; MPA-indikator: U-Net > Seg-Net > PSPNet > DeeplabV3; presisjonsindikator: U-Net > Seg-Net > DeeplabV3 > PSPNet; tilbakekalling: U-Net > Seg-Net > PSPNet > DeeplabV3. Jo større indeksverdien er, desto høyere er segmenteri…

Discussion

Basert på sammenligningsresultatene som presenteres ovenfor, er det tydelig at egenskapene til de fire algoritmene som vurderes er varierte, og deres forskjellige fordeler og ulemper er beskrevet nedenfor. U-Net-strukturen, basert på modifikasjon og utvidelse av et fullt konvolusjonsnettverk, kan få kontekstuell informasjon og presis posisjonering gjennom en kontraheringsbane og en symmetrisk ekspanderende bane. Ved å klassifisere hvert pikselpunkt oppnår denne algoritmen en høyere segmenteringsnøyaktighet og segm…

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