במחקר שפורסם לאחרונה ב-Technologies, חוקרים המציאו מערכת חדשה המשתמשת בלמידה חישובית כדי לחזות מחלות לשון.
מחקר: חיזוי מחלות לשון מבוסס על אלגוריתמים של למידת מכונה. קרדיט תמונה: fizkes/Shutterstock.com
רֶקַע
אבחון מחלת לשון מסורתי מסתמך על ניטור תכונות הלשון כגון צבע, צורה, מרקם ורטיבות, החושפים את המצב הבריאותי.
העוסקים ברפואה סינית מסורתית (TCM) מסתמכים על הערכות סובייקטיביות של מאפייני הלשון, מה שמוביל לסובייקטיביות בבעיות אבחון ושכפול. עליית הבינה המלאכותית (AI) יצרה דרישה חזקה לפריצות דרך בטכנולוגיות אבחון לשון.
מערכות אוטומטיות לניתוח צבעי לשון הוכיחו דיוק גבוה בזיהוי אנשים בריאים וחולים ובאבחון הפרעות שונות. הבינה המלאכותית התקדמה מאוד בלכידת, ניתוח וסיווג תמונות לשון.
ההתכנסות של גישות בינה מלאכותית במחקר אבחון לשון מתכוונת להגביר את המהימנות והדיוק תוך התייחסות לסיכויים ארוכי הטווח של יישומי בינה מלאכותית בקנה מידה גדול בתחום הבריאות.
לגבי המחקר
המחקר הנוכחי מציע מערכת הדמיה חדשה, מבוססת למידת מכונה, לניתוח וחילוץ תכונות צבע הלשון ברוויות צבע שונות ובתנאי אור שונים לניתוח צבעי לשון בזמן אמת וחיזוי מחלות.
מערכת ההדמיה אימנה תמונות לשון מסווגות לפי צבע באמצעות שישה אלגוריתמים של לימוד מכונה כדי לחזות את צבע הלשון. האלגוריתמים כללו מכונות וקטור תמיכה (SVM), Bayes תמימים (NB), עצי החלטה (DTs), K-nearest neighbors (KNN), Extreme Gradient Boost (XGBoost) ומסווגים של יער אקראי (RF).
דגמי הצבע היו כדלקמן: מערכת הראייה האנושית (HSV), המערכת האדומה, הירוקה והכחולה (RGB), הפרדת בהירות מהכרומינציה (YCbCr, YIQ), ובהירות עם צירים ירוק-אדום וכחול-צהוב (LAB ).
החוקרים חילקו את הנתונים למערך הנתונים של ההדרכה (80%) ובדיקות (20%). מערך ההדרכה כלל 5,260 תמונות שסווגו כצהוב (n=1,010), אדום (n=1,102), כחול (n=1,024), ירוק (n=945), ורוד (n=310), לבן (n=300), ואפור (n=737) עבור תנאי אור ורוויה שונים.
הקבוצה השנייה כללה 60 תמונות לשון פתולוגיות מבית החולים הכללי של מוסול ומבית החולים אל-חוסיין בעיראק, הכוללות אנשים עם מצבים שונים כמו סוכרת, אסטמה, זיהום מיקוטי, אי ספיקת כליות, COVID-19, אנמיה ופפילות פטריות.
המטופלים ישבו מול המצלמה במרחק של 20 ס"מ בזמן שאלגוריתם למידת המכונה זיהה את צבע הלשון שלהם וחזה את מצבם הבריאותי בזמן אמת.
חוקרים השתמשו במחשבים ניידים עם תוכנית MATLAB App Designer מותקנת ומצלמות אינטרנט ברזולוציית 1,920 x 1,080 פיקסלים כדי לחלץ צבע ותכונות של הלשון. ניתוח תמונה כלל פילוח של האזור המרכזי של תמונת הלשון וביטול השפם, הזקן, השפתיים והשיניים לצורך ניתוח.
לאחר ניתוח תמונה, המערכת המירה את שטח ה-RGB לדגמי HVS, YCbCr, YIQ ו-LAB. לאחר סיווג הצבע, העוצמות מערוצי צבע שונים הועברו לאלגוריתמים שונים של למידת מכונה כדי לאמן את מודל ההדמיה.
מדדי הערכת ביצועים כללו דיוק, דיוק, ריקול, מדד ג'קארד, ציוני F1, ציוני G, איבודים של אפס אחד, קאפה של כהן, אובדן Hamming, אינדקס Fowlkes-Mallow ומקדם המתאם של Matthews (MCC).
תוצאות
הממצאים הצביעו על כך ש-XGBoost היה המדויק ביותר (98.7%), בעוד שטכניקת Nave Bayes הייתה בעלת הדיוק הנמוך ביותר (91%). עבור XGBoost, ציוני F1 של 98% הצביעו על איזון יוצא דופן בין זכירה ודיוק.
מדד Jaccard 0.99 עם 0.01 הפסדים אפס-אחד, ציון G-0.92, הפסד של 0.01 Hamming, 1.0 קאפה של כהן, 0.4 MCC ו-0.98 Fowlkes-Mallow הציע מתאמים חיוביים כמעט מושלמים, מה שמרמז ש-XGBoost הוא ניתוח אמין ויעיל ביותר. . XGBoost דורג במקום הראשון בדיוק, דיוק, ציון F1, ריקול ו-MCC.
בהתבסס על ממצאים אלה, החוקרים השתמשו ב-XGBoost כאלגוריתם לכלי הדמיית הלשון המוצע, המקושר לממשק משתמש גרפי ומנבא את צבע הלשון והפרעות נלוות בזמן אמת.
מערכת ההדמיה הניבה תוצאות חיוביות עם הפריסה. המערכת מבוססת למידת מכונה זיהתה במדויק 58 מתוך 60 תמונות לשון עם דיוק זיהוי של 96.6%.
לשון בצבע ורוד מעידה על בריאות טובה, אבל גוונים אחרים מסמלים מחלה. חולים עם לשונות צהובות סווגו כסוכרתיים, בעוד שאלו עם לשונות ירוקות אובחנו עם מחלות מיקוטיות.
לשון כחולה רמזה לאסטמה; לשון בצבע אדום הצביעה על מחלת נגיף הקורונה 2019 (COVID-19); לשון שחורה הצביעה על נוכחות פפיליות פטריות; ולשון לבנה העידה על אנמיה.
מסקנות
בסך הכל, מערכת ההדמיה בזמן אמת באמצעות XGBoost הניבה תוצאות חיוביות עם פריסה עם דיוק אבחון של 96.6%. ממצאים אלו תומכים במעשיות של מערכות בינה מלאכותית לזיהוי לשון ביישומים רפואיים, ומוכיחים כי שיטה זו בטוחה, יעילה, ידידותית למשתמש, נעימה וחסכונית.
השתקפויות של מצלמה עלולות לגרום להבדלים בצבעים שנצפו, ולהשפיע על האבחנה. מחקרים עתידיים צריכים לשקול השתקפויות של מצלמה ולהשתמש במעבדי תמונה רבי עוצמה, מסננים וגישות למידה עמוקה כדי להגביר את הדיוק. שיטה זו סוללת את הדרך לאבחון לשון מורחב במערכות בריאות נקודת טיפול עתידיות.
