Dans une étude récente publiée dans Technologies, des chercheurs ont conçu un nouveau système qui utilise l’apprentissage automatique pour prédire les maladies de la langue.
Étude : Prédiction des maladies de la langue basée sur des algorithmes d'apprentissage automatiqueCrédit photo : fizkes/Shutterstock.com
Sommaire
Arrière-plan
Le diagnostic traditionnel des maladies de la langue repose sur la surveillance des caractéristiques de la langue telles que la couleur, la forme, la texture et l’humidité, qui révèlent l’état de santé.
Les praticiens de la médecine traditionnelle chinoise (MTC) s'appuient sur des évaluations subjectives des caractéristiques de la langue, ce qui entraîne une subjectivité dans le diagnostic et des problèmes de réplication. L'essor de l'intelligence artificielle (IA) a créé une forte demande de percées dans les technologies de diagnostic de la langue.
Les systèmes automatisés d'analyse de la couleur de la langue ont démontré une grande précision dans l'identification des individus sains et malades et dans le diagnostic de divers troubles. L'intelligence artificielle a considérablement progressé dans la capture, l'analyse et la catégorisation des images de la langue.
La convergence des approches d’intelligence artificielle dans la recherche sur le diagnostic de la langue vise à accroître la fiabilité et la précision tout en abordant les perspectives à long terme des applications d’IA à grande échelle dans les soins de santé.
À propos de l'étude
La présente étude propose un nouveau système d’imagerie basé sur l’apprentissage automatique pour analyser et extraire les caractéristiques de couleur de la langue à différentes saturations de couleurs et dans diverses conditions d’éclairage pour une analyse de la couleur de la langue en temps réel et la prédiction des maladies.
Le système d'imagerie a formé des images de langue classées par couleur à l'aide de six algorithmes d'apprentissage automatique pour prédire la couleur de la langue. Les algorithmes comprenaient des machines à vecteurs de support (SVM), des Bayes naïfs (NB), des arbres de décision (DT), des k-voisins les plus proches (KNN), Extreme Gradient Boost (XGBoost) et des classificateurs de forêt aléatoire (RF).
Les modèles de couleurs étaient les suivants : le système visuel humain (HSV), le système rouge, vert et bleu (RVB), la séparation de la luminance et de la chrominance (YCbCr, YIQ) et la luminosité avec les axes vert-rouge et bleu-jaune (LAB).
Les chercheurs ont divisé les données en deux ensembles de données : l'un pour la formation (80 %) et l'autre pour les tests (20 %). L'ensemble de données d'entraînement comprenait 5 260 images classées en jaune (n = 1 010), rouge (n = 1 102), bleu (n = 1 024), vert (n = 945), rose (n = 310), blanc (n = 300) et gris (n = 737) pour différentes conditions de luminosité et de saturation.
Le deuxième groupe comprenait 60 images pathologiques de la langue provenant de l'hôpital général de Mossoul et de l'hôpital Al-Hussein d'Irak, englobant des individus souffrant de diverses affections telles que le diabète, l'asthme, l'infection mycosique, l'insuffisance rénale, le COVID-19, l'anémie et les papilles fongiques.
Les patients étaient assis devant la caméra à une distance de 20 cm tandis que l’algorithme d’apprentissage automatique reconnaissait la couleur de leur langue et prédisait leur état de santé en temps réel.
Les chercheurs ont utilisé des ordinateurs portables avec le programme MATLAB App Designer installé et des webcams avec une résolution de 1 920 x 1 080 pixels pour extraire la couleur et les caractéristiques de la langue. L'analyse d'image comprenait la segmentation de la région centrale de l'image de la langue et l'élimination de la moustache, de la barbe, des lèvres et des dents pour l'analyse.
Après l'analyse de l'image, le système a converti l'espace RVB en modèles HVS, YCbCr, YIQ et LAB. Après la classification des couleurs, les intensités des différents canaux de couleur ont été transmises à divers algorithmes d'apprentissage automatique pour former le modèle d'imagerie.
Les mesures d'évaluation des performances comprenaient la précision, l'exactitude, le rappel, l'indice de Jaccard, les scores F1, les scores G, les pertes zéro-un, le kappa de Cohen, la perte de Hamming, l'indice de Fowlkes-Mallow et le coefficient de corrélation de Matthews (MCC).
Résultats
Les résultats ont montré que XGBoost était le plus précis (98,7 %), tandis que la technique Naïve Bayes avait la plus faible précision (91 %). Pour XGBoost, les scores F1 de 98 % dénotaient un équilibre exceptionnel entre rappel et précision.
L'indice Jaccard de 0,99 avec 0,01 perte zéro-un, 0,92 score G, 0,01 perte Hamming, 1,0 kappa de Cohen, 0,4 MCC et 0,98 indice Fowlkes-Mallow ont suggéré des corrélations positives presque parfaites, suggérant que XGBoost est très fiable et efficace pour l'analyse de la langue. XGBoost s'est classé premier en précision, exactitude, score F1, rappel et MCC.
Sur la base de ces résultats, les chercheurs ont utilisé XGBoost comme algorithme pour l’outil d’imagerie de la langue suggéré, qui est lié à une interface utilisateur graphique et prédit la couleur de la langue et les troubles associés en temps réel.
Le système d'imagerie a donné des résultats positifs dès son déploiement. Le système basé sur l'apprentissage automatique a détecté avec précision 58 des 60 images de la langue avec une précision de détection de 96,6 %.
Une langue rose indique une bonne santé, mais d'autres teintes peuvent indiquer une maladie. Les patients ayant une langue jaune ont été classés comme diabétiques, tandis que ceux ayant une langue verte ont été diagnostiqués avec des maladies mycosiques.
Une langue bleue suggérait de l’asthme ; une langue rouge indiquait la maladie à coronavirus 2019 (COVID-19) ; une langue noire indiquait la présence de papilles fongiformes ; et une langue blanche indiquait une anémie.
Conclusions
Dans l’ensemble, le système d’imagerie en temps réel utilisant XGBoost a donné des résultats positifs lors du déploiement avec une précision diagnostique de 96,6 %. Ces résultats confirment l’utilité des systèmes d’intelligence artificielle pour la détection de la langue dans les applications médicales, démontrant que cette méthode est sûre, efficace, conviviale, agréable et rentable.
Les reflets de la caméra peuvent provoquer des différences dans les couleurs observées, affectant ainsi le diagnostic. Les études futures devraient tenir compte des reflets de la caméra et utiliser des processeurs d'images puissants, des filtres et des approches d'apprentissage en profondeur pour augmenter la précision. Cette méthode ouvre la voie à des diagnostics étendus de la langue dans les futurs systèmes de santé au point de service.
