人工智能预测舌头疾病的准确率达到96%

一个利用机器学习来预测舌头疾病的新系统。

　　

在最近发表在《技术》杂志上的一项研究中，研究人员设计了一种利用机器学习来预测舌头疾病的新系统。

背景

传统的舌病诊断依赖于监测舌的颜色、形状、质地和湿润度等特征，以揭示健康状况。

中医从业者依赖于对舌头特征的主观评估，这导致了诊断和复制问题的主观性。人工智能(AI)的兴起对舌头诊断技术的突破产生了强烈的需求。

自动舌头颜色分析系统在识别健康和患病个体以及诊断各种疾病方面表现出很高的准确性。人工智能在捕捉、分析和分类舌头图像方面取得了巨大的进步。

人工智能方法在舌头诊断研究中的融合旨在提高可靠性和准确性，同时解决大规模人工智能在医疗保健领域应用的长期前景。

关于研究

本研究提出了一种新的基于机器学习的成像系统，用于分析和提取不同颜色饱和度和不同光照条件下的舌头颜色特征，用于实时舌头颜色分析和疾病预测。

成像系统使用六种机器学习算法来训练按颜色分类的舌头图像，以预测舌头的颜色。这些算法包括支持向量机(SVM)、朴素贝叶斯(NB)、决策树(dt)、k近邻(KNN)、极端梯度增强(XGBoost)和随机森林(RF)分类器。

颜色模型为:人类视觉系统(HSV)、红绿蓝系统(RGB)、亮度与色度分离(YCbCr、YIQ)、绿红蓝黄轴亮度(LAB)。

研究人员将数据分为训练(80%)和测试(20%)数据集。训练数据集包含5260张图像，根据不同的光照条件和饱和度，分为黄色(n=1,010)、红色(n=1,102)、蓝色(n=1,024)、绿色(n=945)、粉色(n=310)、白色(n=300)和灰色(n=737)。

第二组包括来自伊拉克摩苏尔总医院和侯赛因医院的60张病状舌头图像，包括患有糖尿病、哮喘、真菌感染、肾衰竭、COVID-19、贫血和真菌状乳头等各种疾病的患者。

患者坐在20厘米外的摄像头前，机器学习算法识别他们舌头的颜色，并实时预测他们的健康状况。

研究人员使用安装了MATLAB App Designer程序的笔记本电脑和分辨率为1,920 x 1,080像素的网络摄像头来提取舌头的颜色和特征。图像分析包括分割舌头图像的中心区域，去除胡须、胡须、嘴唇和牙齿进行分析。

经过图像分析，系统将RGB空间转换为HVS、YCbCr、YIQ和LAB模型。颜色分类后，将不同颜色通道的强度输入到各种机器学习算法中训练成像模型。

绩效评价指标包括精密度、正确率、召回率、Jaccard指数、f1分数、g分数、零损失、Cohen’s kappa、Hamming损失、Fowlkes-Mallow指数和Matthews相关系数(MCC)。

结果

结果表明，XGBoost的准确率最高(98.7%)，而Na<0xC3><0xAF>ve贝叶斯技术的准确率最低(91%)。对于XGBoost, 98%的F1分数表示召回率和准确率之间的出色平衡。

Jaccard指数为0.99,0 - 1损失为0.01,G-score为0.92,Hamming损失为0.01,Cohen's kappa指数为1.0,MCC指数为0.4,Fowlkes-Mallow指数为0.98，呈接近完美的正相关，表明XGBoost对舌头分析具有较高的可靠性和有效性。XGBoost在精度、准确性、F1分数、召回率和MCC方面排名第一。

基于这些发现，研究人员使用XGBoost作为建议的舌头成像工具的算法，该工具与图形用户界面相连，可以实时预测舌头颜色和相关疾病。

成像系统在部署后取得了良好的效果。基于机器学习的系统准确检测了60张舌头图像中的58张，检测准确率为96.6%。

粉红色的舌头表示身体健康，其他颜色的舌头则表示生病。黄舌头的患者被归类为糖尿病患者，而绿舌头的患者被诊断为真菌疾病。

蓝色的舌头意味着哮喘;舌头呈红色表明患有2019冠状病毒病(COVID-19);黑舌显示有真菌状乳头;白色的舌头表明贫血。

结论

总体而言，使用XGBoost的实时成像系统在部署时获得了积极的结果，诊断准确率为96.6%。这些发现支持了人工智能系统在医学应用中舌头检测的实用性，证明了这种方法安全、高效、用户友好、令人愉快且具有成本效益。

相机反射可能导致观察到的颜色不同，影响诊断。未来的研究应该考虑相机反射，并使用强大的图像处理器、过滤器和深度学习方法来提高准确性。这种方法为今后在医疗点卫生系统中扩展舌头诊断铺平了道路。