Blog

Jan 09, 2024

Fiabilité des non

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 1334 (2023) Citer cet article

884 accès

2 Altmétrique

Détails des métriques

Le syndrome de Sjögren (SS) est une maladie auto-immune caractérisée par une bouche sèche. La cause du SS est inconnue et ses divers symptômes rendent le diagnostic difficile. Le test de Saxon, un examen intra-oral, est utilisé comme principale méthode de diagnostic du SS, cependant, le risque d'infection salivaire est problématique. Par conséquent, nous étudions la possibilité de diagnostiquer le SS par observation sans contact et par imagerie de la surface de la langue. Dans cette étude, nous avons obtenu des photographies de la langue de 60 patients à la clinique externe de l'École de médecine dentaire de l'Université de Tsurumi afin de clarifier la relation entre les caractéristiques de la langue et le SS. Nous avons divisé la langue en quatre régions, et la couleur de chaque région a été transformée en espace CIE1976L*a*b* et analysée statistiquement. Pour clarifier expérimentalement la possibilité d'un diagnostic SS à l'aide de la couleur de la langue, nous avons utilisé trois modèles d'apprentissage automatique : la régression logistique, la machine à vecteurs de support et la forêt aléatoire. De plus, nous avons construit des modèles de prédiction de diagnostic basés sur les méthodes Bagging et Stacking combinées à trois modèles d'apprentissage automatique pour une évaluation comparative. Cette analyse a utilisé la compression dimensionnelle par analyse en composantes principales pour éliminer la redondance des informations sur la couleur de la langue. Nous avons trouvé une différence significative entre la valeur a* de la partie arrière de la langue et la valeur b* de la partie médiane de la langue chez les patients SS et non SS. En plus des scores des composants principaux de la couleur de la langue, la machine à vecteurs de support a été formée en utilisant l'âge et a atteint une précision élevée (71,3%) et une spécificité (78,1%). Les résultats indiquent que la prédiction du diagnostic de SS par la couleur de la langue atteint un niveau comparable aux modèles d'apprentissage automatique entraînés à l'aide du test Saxon. Il s'agit de la première étude utilisant l'apprentissage automatique pour prédire le diagnostic de SS par observation de la langue sans contact. Notre méthode proposée peut potentiellement prendre en charge la détection précoce du SS de manière simple et pratique, éliminant le risque d'infection au moment du diagnostic, et elle doit être validée et optimisée dans la pratique clinique.

Le syndrome de Sjögren (SS) est une maladie auto-immune caractérisée par une sécheresse de la bouche et des yeux. On pense qu'il est causé par une relation complexe entre les anomalies immunitaires, la sécrétion d'hormones féminines et l'hérédité; cependant, la cause exacte de cette maladie n'a pas encore été élucidée. Plusieurs tests cliniques ont été utilisés pour le diagnostic du SS. L'un des examens oraux couramment utilisés est le test de Saxon, et il implique l'observation quantitative de la salive pour déterminer la sécheresse buccale. Cependant, ces dernières années, la présence du virus COVID-19 dans la salive a rendu difficile la réalisation de tests salivaires pour l'évaluation des conditions bucco-dentaires. Par conséquent, il est nécessaire de développer une méthode objective d'évaluation des conditions bucco-dentaires.

Les symptômes les plus courants du SS comprennent la bouche sèche, des douleurs dans la langue, des fissures sur la langue et une décoloration de la langue due à une candidose buccale1. De plus, des études dermoscopiques ont révélé que des différences d'apparence de la structure et de la couleur de la surface de la langue peuvent être des marqueurs importants pour le diagnostic de SS2. Les caractéristiques de la langue, telles que la couleur, la brillance et la forme, fournissent des indices de diagnostic cliniquement critiques pour le diagnostic de plusieurs autres maladies3,4.

Des études récentes ont rapporté le potentiel prometteur des méthodes d'apprentissage automatique dans le développement de plusieurs outils bioinformatiques5,6 et d'applications pour l'analyse d'images de la langue7. L'utilisation d'appareils d'imagerie pour le diagnostic de maladies est une approche simple et rapide, et peut être appropriée comme test de dépistage pour diverses maladies. Dans une étude précédente, nous avons développé un système d'analyse d'images de la langue (TIAS) qui peut être utilisé pour le diagnostic de la langue assisté par ordinateur basé sur la couleur de la langue8,9. La caractéristique essentielle de la méthode d'imagerie de la langue de TIAS est l'exclusion de l'influence de la lumière externe en utilisant une sphère d'intégration pour obtenir une intensité lumineuse uniformément répartie. En outre, le TIAS peut supprimer le brillant de la surface de la langue de ses images pour stabiliser la couleur de la surface de la langue et le revêtement de la langue.

Les études prédisant le diagnostic de SS à partir d'informations objectives sont très rares. Jesper et al.10 ont classé les patients atteints de SS sur la base de données de soins primaires régulièrement enregistrées. En utilisant les modèles LR et RF pour l'apprentissage automatique, ils ont constaté que le modèle LR avait une précision de 0,82 et le modèle RF de 0,84, respectivement. Bien que les modèles LR et RF aient atteint une précision de prédiction élevée, ils ne sont pas applicables aux soins médicaux immédiats car ils utilisent des données de soins primaires enregistrées en routine comme informations d'entrée, ce qui limite les patients auxquels ils peuvent être appliqués.

Dans cette étude, nous avons étudié la possibilité de diagnostiquer le SS via la classification par apprentissage automatique des images de la langue obtenues par TIAS. Les résultats ont été comparés aux résultats de classification du test de Saxon, qui est un critère de diagnostic du SS, pour déterminer si la méthode proposée dans cette étude peut être utilisée comme méthode alternative pour diagnostiquer le SS pendant la pandémie de COVID-19.

TIAS est un appareil photographique utilisé pour capturer l'image de la langue, et il est équipé d'une source de lumière diffuse pour enregistrer l'état de la surface de la langue. Le TIAS utilisé dans cette étude se compose d'une mentonnière et d'un appui-front pour fixer le visage du sujet. Pour capturer les images de la langue, la caméra et la source lumineuse ont d'abord été calibrées à l'aide d'un contrôleur de couleur. Le vérificateur de couleurs utilisé pour calibrer la caméra et la source lumineuse était X-Rite Color Checker (anciennement connu sous le nom de Munsell). En photographiant les 24 couleurs connues du contrôleur de couleurs, une matrice de conversion de l'espace colorimétrique RVB de la caméra vers l'espace colorimétrique XYZ est créée par une analyse de régression multiple. La conversion en espace colorimétrique L*a*b* utilise la formule de conversion spécifiée par CIE. Par la suite, les langues des patients ont été capturées 10 fois par seconde pendant 20 s, et un total de 200 images (1024*1280 pixels) ont été acquises. Parmi les 200 images, l'opérateur a sélectionné une image qui était immédiatement après la sortie de la langue et entièrement exposée pour analyse. Enfin, les images de langue RVB capturées ont été converties en CIE1976L*a*b* sur la base de la matrice de conversion estimée à partir des nuanciers à l'aide de la méthode de régression multiple. L'espace colorimétrique CIE1976L*a*b* est indépendant de l'appareil et la quantité de changement dans chaque valeur est équivalente à la quantité de changement entre le stimulus et la vision humaine. L'image du TIAS utilisée dans cette étude est illustrée à la Fig. 1.

Image du système d'analyse d'image de la langue (TIAS). Le TIAS utilisé dans cette étude est équipé d'une mentonnière et d'un appui-front permettant de fixer le visage du sujet.

Pour obtenir la couleur de la langue dans la même zone à chaque fois, la forme de la langue a été définie en déterminant manuellement cinq points le long du contour de la langue. Par la suite, quatre zones de la langue ont été définies avec des proportions fixes : (1) le bord de la langue, (2) la partie postérieure de la langue, (3) le milieu de la langue et (4) l'apex de la langue. La zone définie était un cercle avec un rayon de 10 pixels, et la couleur moyenne de chaque zone a été estimée.

La figure 2 montre la définition des zones. Comme le montre l'image, il n'y a presque pas d'enduit lingual au sommet de la langue (zone 1) et la couleur de cette zone est similaire à celle du corps de la langue. En revanche, la couleur de la langue dans les trois autres zones (zones 2 à 4) était un mélange de la couleur de l'enduit lingual et de la couleur du corps de la langue. Cette méthode de division de la langue en zones séparées est traditionnellement utilisée dans le diagnostic de la langue.

Définition des zones. (1) Le rouge correspond au bord de la langue, (2) Le vert correspond à la partie postérieure de la langue, (3) Le bleu correspond au milieu de la langue et (4) L'orange correspond à l'apex de la langue.

Les données d'analyse statistique sont exprimées en nombre ou en moyenne ± écart type (SD). Nous avons utilisé le test t de Student et le test de Mann–Whitney pour les variables continues. Toutes les analyses statistiques ont été effectuées à l'aide de scikit-learn, une bibliothèque d'apprentissage automatique.

Pour clarifier expérimentalement la possibilité de diagnostiquer SS en utilisant la couleur de la langue, nous avons extrait des informations sur la couleur de la langue de l'ensemble de données et formé un classificateur d'apprentissage automatique. Pour la première validation, trois algorithmes bien connus : la régression logistique (LR), la machine à vecteurs de support (SVM)11 et la forêt aléatoire (RF)12, ont été sélectionnés. LR est l'algorithme de classification le plus ancien, et il utilise une fonction sigmoïde non linéaire, qui permet une division légèrement plus complexe des images en classes par rapport à la classification linéaire, qui est basée sur un seuil. La classification de SVM est plus non linéaire que LR, car elle utilise la méthode du noyau (voir Fig. 3). En revanche, RF peut apprendre plusieurs classificateurs faibles basés sur un simple branchement conditionnel et les combiner pour obtenir une classification haute performance (voir Fig. 4). De plus, pour considérer l'effet de l'apprentissage d'ensemble en combinant ces algorithmes, nous avons essayé l'utilisation de la méthode d'ensachage et de la méthode d'empilement, illustrées à la Fig. 5. La méthode d'ensachage de la Fig. 5a utilise trois modèles SVM pour prédire SS par entrer les scores des composantes principales de la couleur de la langue, du sexe et de l'âge, respectivement, et calculer le résultat de prédiction final par vote majoritaire à partir des résultats de prédiction des trois modèles. La méthode d'empilement de la figure 5b utilise un modèle SVM, un modèle RF et un modèle LR. Tout d'abord, le modèle SVM produit la prédiction de SS avec l'entrée du score de la composante principale de la couleur de la langue, du sexe et de l'âge. Ensuite, le modèle RF entre également les scores des composantes principales de la couleur de la langue, du sexe et de l'âge, et produit la prédiction de SS, et le modèle LR entre les prédictions des modèles SVM et RF et calcule la prédiction finale.

La base de la classification SVM.

La base de la classification RF.

Ensemble d'algorithmes d'apprentissage automatique. (a) Bagging : Entraînez plusieurs classificateurs pour chaque caractéristique et combinez les résultats par le vote souple. (b) Empilement : utilisez les prédictions de plusieurs classificateurs faibles pour former un modèle.

Chaque paramètre a été optimisé à l'aide d'une grille de recherche et le modèle a été validé à l'aide d'une validation croisée stratifiée quintuple. La plage de recherche des hyper-paramètres pour chaque algorithme est présentée dans le tableau 1. Pour la validation, d'abord, l'ensemble de données a été divisé en cinq plis en alignant les proportions des classes, après quoi l'un des plis a été utilisé pour la validation et les quatre autres ont été utilisés pour former le modèle. Les données ont été évaluées en faisant la moyenne des scores de chaque pli. Pour réduire le biais dans la répartition, le score moyen a été calculé en répétant la validation croisée 10 fois.

Les caractéristiques entrées dans le modèle ont été mises à l'échelle pour s'assurer que la moyenne et l'écart-type étaient respectivement de 0 et 1. Ensuite, une compression dimensionnelle par analyse en composantes principales a été appliquée pour exclure les caractéristiques sans importance avec une faible variance et pour agréger les informations. Un vecteur de composante principale est calculé à partir des échantillons d'apprentissage et les 12 valeurs de couleur mesurées (valeurs L*, a*, b* dans quatre zones) sont converties en trois scores de composante principale en les projetant sur les premier à troisième vecteurs de composante principale. Les scores de cette composante principale sont utilisés comme caractéristique d'entrée pour l'apprentissage automatique. Enfin, pour éliminer le déséquilibre dans l'ensemble de données de formation, nous avons suréchantillonné de manière aléatoire les cas de formation dans le pipeline de formation en utilisant SMOTE13.

Le comité d'éthique de l'école de médecine dentaire de l'Université de Tsurumi a approuvé cette étude (numéro d'approbation 244, 19 août 2004 et numéro d'approbation 521, 21 mars 2008) et toutes les recherches ont été effectuées conformément aux directives du comité d'éthique. Tous les patients ont fourni un consentement éclairé écrit.

Tous les échantillons humains présentés dans le tableau 2 ont été vus à la clinique externe de l'école de médecine dentaire de l'université de Tsurumi. Les patients SS présentaient des symptômes typiques de sécheresse de la bouche tels que des difficultés à avaler, une altération du goût ou une sensation de brûlure de la langue. Les échantillons avec des valeurs stimulées de < 2 g/ 2 min ont été diagnostiqués avec la bouche sèche par le test de Saxon. Ils ont été diagnostiqués sur la base de critères proposés par le ministère japonais de la Santé, du Travail et du Bien-être. Ces patients n'avaient pas reçu de glucocorticoïdes ou d'agents immunosuppresseurs depuis au moins 6 mois avant cet examen. Les échantillons ont ensuite été divisés en deux sous-groupes différents : groupe SS avec test Saxon < 2 g/ 2 min, individus sains normaux non SS avec test Saxon ≥ 2 g/ 2 min.

Pour étudier quantitativement la relation entre SS et la couleur de la langue, tout d'abord, les valeurs CIE1976 L*a*b* des quatre zones ont été analysées statistiquement. Comme le montre le tableau 3, il existe une différence statistiquement significative entre les valeurs a* de la zone 2 (p < 0,05) et les valeurs b* de la zone 3 (p < 0,05). La valeur a* représente la composante vert-rouge, avec des valeurs négatives vers le vert et des valeurs positives vers le rouge. De plus, comme le montre la figure 6, la couleur de la partie postérieure de la langue des patients SS était plus rougeâtre que celle de la partie postérieure de la langue des patients non SS. Des études antérieures2,14 ont suggéré que l'inflammation de la langue des patients SS due à la bouche sèche provoque un changement de la tonalité de couleur de toute la langue en rouge. Cette hypothèse est cohérente avec les résultats de cette étude, car les valeurs a* de la partie postérieure de la langue des patients SS étaient significativement plus élevées. De plus, il y avait une différence significative dans les valeurs b* de la zone médiane, qui peut être attribuée à l'enduit lingual. En effet, les patients ayant la bouche sèche ont souvent un enduit épais sur la langue en raison de la croissance de bactéries buccales.

Comparaison des langues des patients SS à celles des patients non SS. (a) a1-4 et (b) b1-4 indiquent le a* et le b* de chaque zone de langue définie à la Fig. 2.

Tout d'abord, le PCA a été appliqué à la couleur de la langue et le taux de contribution cumulé calculé des composants principaux (PC) est illustré à la Fig. 7a. Les taux de cotisation du premier PC (PC1), du deuxième PC (PC2) et du troisième PC (PC3) étaient respectivement de 37,8 %, 24,9 % et 17,6 %. Ainsi, le taux de cotisation cumulé est passé à 80,3 % en PC3. La distribution des saturations factorielles pour les PC1 et PC2 des 12 valeurs de couleur est illustrée à la Fig. 7b, où L, a et b représentent les valeurs L*, a* et b*, et les nombres représentent les régions de la langue (1 : bord, 2:postérieur, 3:milieu, 4:apex). PC1 représente les valeurs a* et L*, tandis que PC2 représente les valeurs b*, ce qui a entraîné une contribution cumulée élevée (62,7 %) de PC1 et PC2. De plus, chaque valeur L*a*b* a été traitée presque de la même manière quelle que soit la zone ; cependant, la valeur L*a*b* de la zone 2 était considérée comme relativement supérieure ou inférieure à celles des autres zones. Cela peut être attribué au fait que la partie postérieure de la langue, indiquée comme zone 2, a tendance à être recouverte d'enduit lingual et est différente des autres zones.

Résultat de l'analyse en composantes principales (ACP) de la couleur de la langue. (a) Taux de cotisation cumulé des composantes principales (PC). (b) La distribution des saturations factorielles pour les première et deuxième composantes principales des 12 valeurs de couleur est indiquée, où L, a et b représentent les valeurs L*, a* et b*, et les nombres représentent les régions de la langue (1 :bord, 2 :postérieur, 3 :milieu, 4 :apex).

Pour évaluer les données, nous avons formé et comparé LR, SVM et RF. Comme il n'est pas souhaitable d'utiliser la zone sous la caractéristique de fonctionnement ou la précision du récepteur pour l'évaluation lorsque le nombre de chaque classe est déséquilibré, dans cette étude, nous avons utilisé la zone sous la courbe précision-rappel (AP) en faisant la moyenne des résultats d'entraînement de chaque validation croisée (mAP). Les résultats sont présentés dans le tableau 4. Parmi les trois algorithmes de classification, SVM a présenté les meilleures performances, avec une précision moyennement élevée en termes de sensibilité. En revanche, LR a présenté la spécificité la plus faible, ce qui pourrait être attribué au fait qu'il a prédit tous les cas comme positifs et n'a pas réussi à relier les caractéristiques d'entrée aux classes. SVM a surpassé RF sur toutes les caractéristiques, indiquant qu'il est plus adapté à la prédiction de SS. Nous avons également évalué l'empilement et le bagging, un type d'apprentissage d'ensemble, pour étudier l'effet de la combinaison de classificateurs. Pourtant, leurs performances n'étaient pas aussi bonnes que celles du SVM. La méthode proposée dans cette étude a atteint une précision élevée (71,3 %) et une spécificité (78,1 %) lorsque le SVM a été entraîné sur l'âge et le sexe du patient en plus des PC de couleur de la langue. La réduction de la dimensionnalité a effectivement amélioré les performances de cette méthode.

La précision de la conversion des couleurs des valeurs RVB aux valeurs L*a*b* a été vérifiée en calculant l'erreur quadratique moyenne (RMSE) à l'aide d'un échantillon de 128 couleurs différentes des 24 couleurs utilisées pour l'étalonnage et similaires à la langue et à la peau. couleurs. Les résultats ont montré que les erreurs pour L*, a* et b* étaient respectivement de 5,5, 2,1 et 3,9. Par rapport à l'écart type de chaque valeur de couleur dans le tableau 3, les erreurs de conversion de couleur L* et a* se sont avérées inférieures à la variation dans l'ensemble de données, tandis que l'erreur b* était supérieure à la variation dans l'ensemble de données. L'amélioration de la précision de la conversion des couleurs b* est un enjeu pour l'avenir.

Étant donné que la taille de l'ensemble de données utilisé dans cette étude est petite (60), des modèles d'apprentissage automatique classiques tels que LR, SVM et RF ont été utilisés à la place de modèles complexes tels que l'apprentissage en profondeur. Les résultats montrent qu'aucun surajustement ne s'est produit car les données de test, qui sont séparées des données d'apprentissage, ont également montré des performances de prédiction élevées.

Dans cette étude, pour clarifier la relation entre la langue et le SS, nous avons obtenu et analysé les images de la langue des patients SS. La couleur de la langue a été extraite et convertie en espace CIE1976L*a*b* en le divisant en quatre zones basées sur la médecine Kampo. Les résultats ont révélé qu'il y avait une différence statistiquement significative dans la valeur a* à la partie postérieure de la langue et dans la valeur b* au milieu de la langue des patients SS et non SS. Cela suggère que l'apparence de la langue a été modifiée chez les patients SS en raison de l'inflammation de la langue et de l'augmentation des revêtements de la langue. Pour approfondir la relation entre le SS et la langue, nous avons formé un classificateur d'apprentissage automatique pour diagnostiquer le SS en fonction de la couleur de la langue. Dans cette expérience, les meilleurs scores ont été obtenus en utilisant l'ACP, et les résultats ont révélé que SVM était l'algorithme de classification le plus approprié pour prédire SS, suivi de RF et enfin de LR. La performance la plus faible de LR a été attribuée à sa spécificité significativement plus faible, LR produisant des résultats positifs dans tous les cas. Cela peut être attribué à l'incapacité d'associer les caractéristiques des données d'entrée à des classes négatives. D'autre part, la RF est considérée comme avantageuse pour les tâches de classification avec des données d'entrée de grande dimension. Cependant, les données d'entrée utilisées dans cette étude étaient en 12 dimensions avant la compression dimensionnelle et en 3 dimensions après, et le nombre de dimensions des données d'entrée n'était pas si élevé. Comme le montre la figure 7a, le taux de contribution cumulé est de 99 % jusqu'à 9 dimensions. Par conséquent, il est considéré que les caractéristiques de RF ne pourraient pas être utilisées. Bien que la taille de l'ensemble de données ait été limitée dans cette étude, les performances ont été améliorées en combinant la réduction de la dimensionnalité à l'aide de PCA et de SVM, qui est robuste à un petit nombre de données. De plus, nous avons constaté que l'ajout de l'âge du patient améliorait encore les performances diagnostiques de cette méthode à un niveau comparable à celui d'un classificateur formé à l'aide du test de Saxon, alors que l'efficacité de l'information sur le sexe n'a pas pu être évaluée en raison du manque du patient masculin dans les cas positifs. Une étude connexe10 montre une performance de prédiction élevée avec AUC = 0,84. Bien que l'ASC n'ait pas pu être calculée dans cette étude et ait été comparée à la valeur de mAP, la performance de prédiction de l'étude10 est considérée comme supérieure à celle de cette étude. Cependant, alors que les études connexes nécessitent des données de soins primaires enregistrées régulièrement, la méthode proposée dans cette étude est très simple, ne nécessitant qu'une seule photographie de la langue et des informations sur l'âge. Nous considérons que cette étude est la seule méthode qui peut largement contribuer à la détection précoce des patients SS car elle peut être appliquée à diverses situations telles que les examens physiques et les tests de dépistage de masse. Les méthodes statistiques et d'apprentissage automatique utilisées dans cette étude ont révélé qu'il y avait un changement dans l'apparence de la langue des patients SS, indiquant son potentiel prometteur pour le diagnostic clinique du SS.

Un rapport15 a montré que le syndrome de Sjögren a un sex-ratio significatif, plus de 90 % des patients étant des femmes. Par conséquent, on peut considérer que le sexe est une caractéristique importante pour prédire le SS. Le fait que l'ensemble de données SS-positif dans cette étude n'inclut pas de données masculines soulève des inquiétudes quant au biais dans l'évaluation de la précision de prédiction du modèle d'apprentissage automatique. Ce point doit être vérifié en élargissant l'ensemble de données à l'avenir. De plus, le nombre de cas positifs est inférieur à la moitié du nombre de cas négatifs. En d'autres termes, il y a une tendance générale à ce que la sortie soit biaisée vers la classe avec la majorité des cas. Cependant, dans cette étude, malgré le grand nombre de cas négatifs, la sensibilité de la détection positive est très élevée. Par conséquent, l'effet du déséquilibre des données est faible. Nous prévoyons d'approfondir ce point en augmentant le nombre de cas à l'avenir.

Dans des études ultérieures, nous étudierons la possibilité de distinguer les patients SS des patients non SS dans un groupe de patients ayant la bouche sèche. De plus, nous allons tendre la main aux universités et aux cliniques pour former des modèles plus complexes, tels que les réseaux de neurones convolutifs, en augmentant le nombre de cas et en comparant les résultats à ceux de notre méthode.

Les ensembles de données générés pendant et/ou analysés pendant l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Soto-Rojas, AE, Villa, AR, Sifuentes-Osornio, J., Alarcón-Segovia, D. & Kraus, A. Manifestations orales chez les patients atteints du syndrome de Sjögren. J Rhumatol. 25(5), 906–910 (1998).

CAS Google Scholar

Maeda, M. Modèles dermoscopiques des papilles filiformes de la langue chez les patients atteints du syndrome de Sjögren. J. Dermatol. 33(2), 96–102. https://doi.org/10.1111/j.1346-8138.2006.00020.x (2006).

Article Google Scholar

Kainuma, M. et al. L'association entre la couleur objective de la langue et les résultats endoscopiques : résultats de l'étude de la population de Kyushu et d'Okinawa (KOPS). BMC compl. Alterner. Méd. 15, 372. https://doi.org/10.1186/s12906-015-0904-0 (2015).

Article Google Scholar

Oji, T. et al. Étude des facteurs impliqués dans le diagnostic de la couleur de la langue par les médecins de Kampo à l'aide du test de teinte Farnsworth-Munsell 100 et d'images de la couleur de la langue. Compl. Alterner. Méd. 2014, 783102. https://doi.org/10.1155/2014/783102 (2014).

Article Google Scholar

Hasan, MM et al. NeuroPred-FRL : un modèle de prédiction interprétable pour identifier les neuropeptides à l'aide de l'apprentissage de la représentation des caractéristiques. Brève Bioinformer. 22(6), bbab167. https://doi.org/10.1093/bib/bbab167 (2021).

Article CAS Google Scholar

Hasan, MM et al. HLPpred-Fuse : prédiction améliorée et robuste du peptide hémolytique et de son activité en fusionnant la représentation de plusieurs caractéristiques. Bioinformatique 36(11), 3350–3356. https://doi.org/10.1093/bioinformatics/btaa160 (2020).

Article CAS Google Scholar

Ma, J., Wen, G., Wang, C. et Jiang, L. Méthode de classification de la perception de la complexité pour la reconnaissance de la constitution de la langue. Artef. Renseignement. Méd. 96, 123–133. https://doi.org/10.1016/j.artmed.2019.03.008 (2019).

Article Google Scholar

Nakaguchi, T. et al. Proposition d'une nouvelle méthode sans contact pour mesurer l'humidité de la langue afin d'aider au diagnostic de la langue et au développement du système d'analyse d'image de la langue, qui peut enregistrer séparément les composants de brillance de la langue. BioMed. Rés. Int. 2015, 249609. https://doi.org/10.1155/2015/249609 (2015).

Article Google Scholar

Yamamoto, S. et al. Changements temporels de la couleur de la langue comme critère de diagnostic de la langue dans la médecine Kampo. Forsch Komplementmed. 19(2), 80–85. https://doi.org/10.1159/000338516 (2012).

Article Google Scholar

Dros, JT et al. Détection du syndrome de Sjögren primaire en soins primaires : développement d'un modèle de classification à l'aide de données de santé de routine et d'apprentissage automatique. BMCPrim. Se soucier. 23(1), 199. https://doi.org/10.1186/s12875-022-01804-w (2022).

Article Google Scholar

Cortes, C. & Vapnik, V. Réseaux de vecteurs de support. Mach. Apprendre. 20, 273–297 (1995).

Article MATH Google Scholar

Breiman, L. Forêts aléatoires. Mach. Apprendre. 45, 5–32. https://doi.org/10.1023/A:1010933404324 (2001).

Article MATH Google Scholar

Chawla , NV , Bowyer , KW , Hall , LO & Kegelmeyer , WP SMOTE : Une technique de suréchantillonnage minoritaire synthétique. J.Artif. Renseignement. Rés. 16, 321–357 (2002).

Article MATH Google Scholar

Blocowiak, K. et al. Manifestations de la muqueuse buccale dans le syndrome de Sjögren primaire et secondaire et le syndrome de bouche sèche. Postepy. Dermatol. Alergol. 33(1), 23–27 (2016).

Article Google Scholar

Whitacre, C. Différences entre les sexes dans les maladies auto-immunes. Nat. Immunol. 2, 777–780. https://doi.org/10.1038/ni0901-777 (2001).

Article CAS Google Scholar

Télécharger les références

École supérieure des sciences et technologies, Université de Chiba, Chiba, Japon

Keigo Noguchi

Département de pathologie, École de médecine dentaire de l'Université Tsurumi, Yokohama, Japon

Ichirô Saito

Département de médecine japonaise-orientale (Kampo), École supérieure de médecine, Université de Chiba, Chiba, Japon

Takao Namiki

École d'ingénierie, Université de Chukyo, Nagoya, Japon

Yuichiro Yoshimura

Center for Frontier Medical Engineering, Université de Chiba, Chiba, Japon

Toshiya Nakaguchi

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

KN et TN ont conçu l'idée de l'étude. KN et YY ont élaboré le plan d'analyse statistique et effectué des analyses statistiques. IS et TN ont contribué à l'interprétation des résultats. TN a rédigé le manuscrit original. TN a supervisé la conduite de cette étude. Tous les auteurs ont examiné le projet de manuscrit et l'ont révisé de manière critique sur le contenu intellectuel. Tous les auteurs ont approuvé la version finale du manuscrit à publier.

Correspondance avec Toshiya Nakaguchi.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Noguchi, K., Saito, I., Namiki, T. et al. Fiabilité du diagnostic de la langue sans contact pour le syndrome de Sjögren à l'aide de la méthode d'apprentissage automatique. Sci Rep 13, 1334 (2023). https://doi.org/10.1038/s41598-023-27764-4

Télécharger la citation

Reçu : 08 août 2022

Accepté : 06 janvier 2023

Publié: 24 janvier 2023

DOI : https://doi.org/10.1038/s41598-023-27764-4

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.