Blog

Jan 09, 2024

Confiabilidad de no

Informes científicos volumen 13,

Scientific Reports volumen 13, Número de artículo: 1334 (2023) Citar este artículo

884 Accesos

2 Altmetric

Detalles de métricas

El síndrome de Sjögren (SS) es una enfermedad autoinmune caracterizada por boca seca. Se desconoce la causa del SS y sus diversos síntomas dificultan el diagnóstico. La prueba de Saxon, un examen intraoral, se utiliza como método de diagnóstico principal para el SS; sin embargo, el riesgo de infección salival es problemático. Por lo tanto, investigamos la posibilidad de diagnosticar SS mediante la observación sin contacto y por imágenes de la superficie de la lengua. En este estudio, obtuvimos fotografías de la lengua de 60 pacientes en la clínica ambulatoria de la Facultad de Odontología de la Universidad de Tsurumi para aclarar la relación entre las características de la lengua y el SS. Dividimos la lengua en cuatro regiones, y el color de cada región se transformó en espacio CIE1976L*a*b* y se analizó estadísticamente. Para aclarar experimentalmente la posibilidad del diagnóstico de SS utilizando el color de la lengua, empleamos tres modelos de aprendizaje automático: regresión logística, máquina de vectores de soporte y bosque aleatorio. Además, construimos modelos de predicción de diagnóstico basados ​​en los métodos de embolsado y apilamiento combinados con tres modelos de aprendizaje automático para la evaluación comparativa. Este análisis utilizó compresión de dimensionalidad por análisis de componentes principales para eliminar la redundancia en la información del color de la lengua. Encontramos una diferencia significativa entre el valor a* de la parte posterior de la lengua y el valor b* de la parte media de la lengua en pacientes SS y no SS. Además de las puntuaciones del componente principal del color de la lengua, la máquina de vectores de soporte se entrenó con la edad y logró una alta precisión (71,3 %) y especificidad (78,1 %). Los resultados indican que la predicción del diagnóstico de SS por el color de la lengua alcanza un nivel comparable a los modelos de aprendizaje automático entrenados con la prueba de Saxon. Este es el primer estudio que utiliza el aprendizaje automático para predecir el diagnóstico de SS mediante la observación de la lengua sin contacto. Nuestro método propuesto puede potencialmente respaldar la detección temprana de SS de manera simple y conveniente, eliminando el riesgo de infección en el momento del diagnóstico, y debe validarse y optimizarse en la práctica clínica.

El síndrome de Sjögren (SS) es una enfermedad autoinmune caracterizada por boca seca y ojos secos. Se cree que es causado por una relación compleja entre anomalías inmunitarias, secreción de hormonas femeninas y herencia; sin embargo, la causa exacta de esta enfermedad aún no se ha aclarado. Se han empleado múltiples pruebas clínicas para el diagnóstico del SS. Uno de los exámenes orales de uso común es la prueba de Saxon, y consiste en la observación cuantitativa de la saliva para determinar la sequedad oral. Sin embargo, en los últimos años, la presencia del virus COVID-19 en la saliva ha dificultado la realización de pruebas de saliva para la evaluación de las condiciones orales. Por lo tanto, es necesario desarrollar un método objetivo para evaluar las condiciones orales.

Los síntomas más comunes del SS incluyen boca seca, dolor en la lengua, fisuras en la lengua y decoloración de la lengua debido a la candidiasis oral1. Además, los estudios dermatoscópicos han revelado que las diferencias en la apariencia de la estructura y el color de la superficie de la lengua pueden ser marcadores importantes para el diagnóstico de SS2. Las características de la lengua, como el color, el brillo y la forma, proporcionan pistas diagnósticas clínicamente críticas para el diagnóstico de varias otras enfermedades3,4.

Estudios recientes han informado sobre el potencial prometedor de los métodos de aprendizaje automático en el desarrollo de varias herramientas bioinformáticas5,6 y aplicaciones para analizar imágenes de la lengua7. El uso de dispositivos de imagen para el diagnóstico de enfermedades es un enfoque simple y rápido, y puede ser apropiado como prueba de detección para varias enfermedades. En un estudio anterior, desarrollamos un sistema de análisis de imágenes de la lengua (TIAS) que se puede utilizar para el diagnóstico de la lengua asistido por computadora basado en el color de la lengua8,9. La característica esencial del método de imágenes de la lengua de TIAS es la exclusión de la influencia de la luz externa mediante la utilización de una esfera integradora para lograr una intensidad de luz distribuida uniformemente. Además, el TIAS puede eliminar el brillo de la superficie de la lengua de sus imágenes para estabilizar el color de la superficie de la lengua y el revestimiento de la lengua.

Los estudios que predicen el diagnóstico de SS a partir de información objetiva han sido muy escasos. Jesper et al.10 clasificaron a los pacientes con SS en base a los datos de atención primaria registrados de forma rutinaria. Utilizando los modelos LR y RF para el aprendizaje automático, encontraron que el modelo LR tenía una precisión de 0,82 y el modelo RF de 0,84, respectivamente. Aunque los modelos LR y RF lograron una alta precisión de predicción, no son aplicables a la atención médica inmediata porque utilizan datos de atención primaria registrados de forma rutinaria como información de entrada, lo que limita los pacientes a los que se pueden aplicar.

En este estudio, investigamos la posibilidad de diagnosticar SS a través de la clasificación de aprendizaje automático de imágenes de lengua obtenidas por TIAS. Los resultados se compararon con los resultados de clasificación de la prueba de Saxon, que es un criterio de diagnóstico para SS, para determinar si el método propuesto en este estudio se puede utilizar como método alternativo para diagnosticar SS durante la pandemia de COVID-19.

TIAS es un dispositivo fotográfico que se utiliza para capturar la imagen de la lengua y está equipado con una fuente de luz difusa para registrar el estado de la superficie de la lengua. El TIAS utilizado en este estudio consta de un apoyo para la barbilla y un apoyo para la frente para fijar la cara del sujeto. Para capturar las imágenes de la lengua, primero, la cámara y la fuente de luz se calibraron con un verificador de color. El comprobador de color utilizado para calibrar la cámara y la fuente de luz fue el comprobador de color X-Rite (anteriormente conocido como Munsell). Al fotografiar los 24 colores conocidos del verificador de color, se crea una matriz de conversión del espacio de color RGB de la cámara al espacio de color XYZ mediante análisis de regresión múltiple. La conversión al espacio de color L*a*b* utiliza la fórmula de conversión especificada por CIE. Posteriormente, se capturaron las lenguas de los pacientes 10 veces por segundo durante 20 s, y se adquirieron un total de 200 imágenes (1024*1280 píxeles). De las 200 imágenes, el operador seleccionó una imagen que estaba inmediatamente después de que la lengua sobresaliera y quedara completamente expuesta para su análisis. Por último, las imágenes de la lengua RGB capturadas se convirtieron a CIE1976L*a*b* en función de la matriz de conversión estimada a partir de las tablas de colores utilizando el método de regresión múltiple. El espacio de color CIE1976L*a*b* es independiente del dispositivo y la cantidad de cambio en cada valor es equivalente a la cantidad de cambio entre el estímulo y la visión humana. La imagen del TIAS utilizada en este estudio se muestra en la figura 1.

Imagen del Sistema de Análisis de Imágenes de la Lengua (TIAS). El TIAS utilizado en este estudio está equipado con un soporte para la barbilla y un soporte para la frente para fijar la cara del sujeto.

Para obtener el color de la lengua en la misma zona cada vez, se definió la forma de la lengua determinando manualmente cinco puntos a lo largo del contorno de la lengua. Posteriormente, se definieron cuatro áreas de la lengua con proporciones fijas: (1) borde de la lengua, (2) lengua posterior, (3) lengua media y (4) vértice de la lengua. El área definida fue un círculo con un radio de 10 píxeles, y se estimó el color promedio de cada área.

La Figura 2 muestra la definición de las áreas. Como se muestra en la imagen, casi no hay recubrimiento de la lengua en el vértice de la lengua (área 1), y el color de esta área es similar al del cuerpo de la lengua. Por el contrario, el color de la lengua en las otras tres áreas (áreas 2 a 4) era una mezcla del color de la cubierta de la lengua y el color del cuerpo de la lengua. Este método de dividir la lengua en áreas separadas se usa tradicionalmente en el diagnóstico de la lengua.

Definición de las áreas. (1) El rojo corresponde al borde de la lengua, (2) El verde corresponde a la parte posterior de la lengua, (3) El azul corresponde al centro de la lengua y (4) El naranja corresponde al vértice de la lengua.

Los datos del análisis estadístico se expresan como número o media ± desviación estándar (DE). Utilizamos la prueba t de Student y la prueba de Mann-Whitney para variables continuas. Todos los análisis estadísticos se realizaron utilizando scikit-learn, una biblioteca de aprendizaje automático.

Para aclarar experimentalmente la posibilidad de diagnosticar SS utilizando el color de la lengua, extrajimos información sobre el color de la lengua del conjunto de datos y entrenamos un clasificador de aprendizaje automático. Para la primera validación, se seleccionaron tres algoritmos bien conocidos: regresión logística (LR), máquina de vectores de soporte (SVM)11 y bosque aleatorio (RF)12. LR es el algoritmo de clasificación más antiguo y utiliza una función sigmoidea no lineal, que permite una división de imágenes un poco más compleja en clases en comparación con la clasificación lineal, que se basa en un umbral. La clasificación de SVM es más no lineal que la de LR, porque utiliza el método kernel (ver Fig. 3). Por el contrario, RF puede aprender múltiples clasificadores débiles basados ​​en ramificación condicional simple y combinarlos para lograr una clasificación de alto rendimiento (ver Fig. 4). Además, para considerar el efecto del aprendizaje conjunto mediante la combinación de estos algoritmos, probamos el uso del método de embolsado y el método de apilamiento, que se muestran en la Fig. 5. El método de embolsado en la Fig. 5a usa tres modelos SVM para predecir SS por ingresando los puntajes de los componentes principales de color de la lengua, género y edad, respectivamente, y calcula el resultado de la predicción final por voto mayoritario a partir de los resultados de la predicción de los tres modelos. El método de apilamiento en la Fig. 5b usa un modelo SVM, un modelo RF y un modelo LR. Primero, el modelo SVM genera la predicción de SS con la entrada de la puntuación del componente principal del color de la lengua, el sexo y la edad. A continuación, el modelo RF también ingresa las puntuaciones de los componentes principales del color de la lengua, el sexo y la edad, y genera la predicción de SS, y el modelo LR ingresa las predicciones de los modelos SVM y RF y calcula la predicción final.

La base de la clasificación SVM.

La base de la clasificación de RF.

Conjunto de algoritmos de aprendizaje automático. (a) Embolsado: entrene a varios clasificadores para cada característica y combine los resultados mediante la votación suave. (b) Apilamiento: use las predicciones de múltiples clasificadores débiles para entrenar un modelo.

Cada parámetro se optimizó mediante una búsqueda en cuadrícula y el modelo se validó mediante una validación cruzada quíntuple estratificada. El rango de búsqueda de hiperparámetros para cada algoritmo se muestra en la Tabla 1. Para la validación, primero, el conjunto de datos se dividió en cinco pliegues alineando las proporciones de las clases, después de lo cual uno de los pliegues se utilizó para la validación y los otros cuatro. se utilizaron para entrenar el modelo. Los datos se evaluaron promediando las puntuaciones de cada pliegue. Para reducir el sesgo en la división, la puntuación media se calculó repitiendo la validación cruzada 10 veces.

Las características de entrada al modelo se escalaron para garantizar que la media y la SD fueran 0 y 1, respectivamente. Luego, se aplicó compresión de dimensionalidad por análisis de componentes principales para excluir características sin importancia con baja varianza y para agregar la información. Se calcula un vector de componentes principales a partir de las muestras de entrenamiento y los 12 valores de color medidos (valores L*, a*, b* en cuatro áreas) se convierten en tres puntajes de componentes principales proyectándolos en los vectores de componentes principales primero a tercero. Las puntuaciones de este componente principal se utilizan como característica de entrada para el aprendizaje automático. Por último, para eliminar el desequilibrio en el conjunto de datos de entrenamiento, sobremuestreamos aleatoriamente los casos de entrenamiento en la canalización de entrenamiento mediante SMOTE13.

El Comité de Ética de la Escuela de Odontología de la Universidad de Tsurumi aprobó este estudio (número de aprobación 244, 19 de agosto de 2004 y número de aprobación 521, 21 de marzo de 2008) y toda la investigación se realizó de acuerdo con las pautas del comité de ética. Todos los pacientes procuraron su consentimiento escrito.

Todas las muestras humanas que se muestran en la Tabla 2 fueron vistas en la clínica ambulatoria de la Escuela de Medicina Dental de la Universidad de Tsurumi. Los pacientes con SS tenían síntomas típicos de boca seca, como dificultad para tragar, alteración del gusto o sensación de ardor en la lengua. Las muestras con valores estimulados de < 2 g/ 2 min fueron diagnosticadas con boca seca mediante la prueba de Saxon. Fueron diagnosticados según los criterios propuestos por el Ministerio de Salud, Trabajo y Bienestar de Japón. Estos pacientes no habían recibido glucocorticoides o agentes inmunosupresores durante al menos 6 meses antes de este examen. Luego, las muestras se dividieron en dos subgrupos diferentes: Grupo SS con prueba de Saxon de < 2 g/ 2 min, individuos sanos normales sin SS con prueba de Saxon ≥ 2 g/ 2 min.

Para investigar cuantitativamente la relación entre SS y el color de la lengua, primero, se analizaron estadísticamente los valores CIE1976 L*a*b* de las cuatro áreas. Como se muestra en la Tabla 3, existe una diferencia estadísticamente significativa en los valores a* del área 2 (p < 0,05) y los valores b* del área 3 (p < 0,05). El valor a* representa el componente verde-rojo, con valores negativos hacia el verde y valores positivos hacia el rojo. Además, como se muestra en la Fig. 6, el color de la parte posterior de la lengua de los pacientes con SS era más rojizo que el de la parte posterior de la lengua de los pacientes sin SS. Estudios previos2,14 han sugerido que la inflamación de la lengua de los pacientes con SS por boca seca provoca un cambio en el tono de color de toda la lengua a rojo. Esta hipótesis es consistente con los hallazgos de este estudio, ya que los valores a* de la parte posterior de la lengua de los pacientes con SS fueron significativamente más altos. Además, hubo una diferencia significativa en los valores de b* del área media, lo que puede atribuirse a la saburra de la lengua. Esto se debe a que los pacientes con boca seca a menudo tienen una capa gruesa en la lengua debido al crecimiento de bacterias orales.

Comparación de las lenguas de pacientes con SS con las de pacientes sin SS. (a) a1-4 y (b) b1-4 indican el a* y el b* de cada área de la lengua definida en la Fig. 2.

Primero, el PCA se aplicó al color de la lengua, y la tasa de contribución acumulada calculada de los componentes principales (PC) se muestra en la Fig. 7a. Las tasas de cotización de la primera PC (PC1), la segunda PC (PC2) y la tercera PC (PC3) fueron del 37,8%, 24,9% y 17,6%, respectivamente. Así, la tasa de cotización acumulada aumentó al 80,3% en PC3. La distribución de las cargas factoriales para PC1 y PC2 de los 12 valores de color se muestra en la Fig. 7b, donde L, a y b representan los valores L*, a* y b*, y los números representan las regiones de la lengua (1: borde, 2:posterior, 3:medio, 4:ápice). PC1 representa los valores a* y L*, mientras que PC2 representa los valores b*, lo que resultó en una alta contribución acumulada (62,7%) de PC1 y PC2. Además, cada valor L*a*b* fue tratado casi por igual sin importar el área; sin embargo, el valor L*a*b* en el área 2 se consideró relativamente más alto o más bajo que los de las otras áreas. Esto puede atribuirse al hecho de que la parte posterior de la lengua, indicada como área 2, tiende a cubrirse con saburra y es diferente de las otras áreas.

Resultado del análisis de componentes principales (PCA) del color de la lengua. (a) Tasa de cotización acumulada de los componentes principales (PC). (b) Se muestra la distribución de las cargas factoriales para el primer y segundo componente principal de los 12 valores de color, donde L, a y b representan los valores L*, a* y b*, y los números representan las regiones de la lengua (1 :borde, 2:posterior, 3:medio, 4:ápice).

Para evaluar los datos, entrenamos y comparamos LR, SVM y RF. Como no es deseable utilizar el área bajo la característica operativa del receptor o la precisión para la evaluación cuando el número de cada clase está desequilibrado, en este estudio utilizamos el área bajo la curva de recuperación de precisión (AP) promediando los resultados de entrenamiento de cada validación cruzada (mAP). Los resultados se muestran en la Tabla 4. Entre los tres algoritmos de clasificación, SVM exhibió el mejor desempeño, con una precisión promedio alta en términos de sensibilidad. Por el contrario, LR exhibió la especificidad más baja, lo que podría atribuirse al hecho de que predijo todos los casos como positivos y no relacionó las características de entrada con las clases. SVM superó a RF en todas las funciones, lo que indica que es más adecuado para la predicción de SS. También evaluamos el apilamiento y el embolsado, un tipo de aprendizaje conjunto, para investigar el efecto de combinar clasificadores. Aún así, su desempeño no fue tan bueno como el del SVM. El método propuesto en este estudio logró una alta precisión (71,3%) y especificidad (78,1%) cuando la SVM se entrenó en la edad y el sexo del paciente además de las PC del color de la lengua. La reducción de la dimensionalidad mejoró efectivamente el rendimiento de este método.

La precisión de la conversión de color de los valores RGB a L*a*b* se verificó calculando el error cuadrático medio (RMSE) utilizando una muestra de 128 colores que son diferentes de los 24 colores utilizados para la calibración y son similares a la lengua y la piel. colores. Los resultados mostraron que los errores para L*, a* yb* fueron 5,5, 2,1 y 3,9, respectivamente. En comparación con la desviación estándar de cada valor de color en la Tabla 3, se encontró que los errores de conversión de color L* y a* eran más pequeños que la variación en el conjunto de datos, mientras que el error b* era mayor que la variación en el conjunto de datos. Mejorar la precisión de la conversión de color b* es un problema para el futuro.

Dado que el tamaño del conjunto de datos utilizado en este estudio es pequeño (60), se utilizaron modelos clásicos de aprendizaje automático como LR, SVM y RF en lugar de modelos complejos como el aprendizaje profundo. Los resultados muestran que no se produjo sobreajuste porque los datos de prueba, que están separados de los datos de entrenamiento, también mostraron un alto rendimiento de predicción.

En este estudio, para aclarar la relación entre la lengua y el SS, obtuvimos y analizamos las imágenes de las lenguas de los pacientes con SS. El color de la lengua se extrajo y se convirtió en el espacio CIE1976L*a*b* dividiéndolo en cuatro áreas según la medicina Kampo. Los resultados revelaron que había una diferencia estadísticamente significativa en el valor a* en la parte posterior de la lengua y en el valor b* en la mitad de la lengua de los pacientes con SS y sin SS. Esto sugiere que la apariencia de la lengua cambió en pacientes con SS debido a la inflamación de la lengua y al aumento de los revestimientos de la lengua. Para investigar más a fondo la relación entre SS y la lengua, entrenamos un clasificador de aprendizaje automático para diagnosticar SS según el color de la lengua. En este experimento, las mejores puntuaciones se obtuvieron utilizando PCA, y los resultados revelaron que SVM fue el algoritmo de clasificación más adecuado para predecir SS, seguido de RF y finalmente LR. El desempeño más bajo de LR se atribuyó a su especificidad significativamente menor, con LR arrojando resultados positivos en todos los casos. Esto se puede atribuir a la incapacidad de asociar características de los datos de entrada con clases negativas. Por otro lado, RF se considera ventajoso para tareas de clasificación con datos de entrada de alta dimensión. Sin embargo, los datos de entrada utilizados en este estudio eran de 12 dimensiones antes de la compresión de dimensionalidad y de 3 dimensiones después, y el número de dimensiones de los datos de entrada no era tan alto. Como se muestra en la Fig. 7a, la tasa de contribución acumulada es del 99 % hasta 9 dimensiones. Por lo tanto, se considera que las características de RF no podrían utilizarse. Aunque el tamaño del conjunto de datos fue limitado en este estudio, el rendimiento mejoró al combinar la reducción de la dimensionalidad mediante PCA y SVM, que es resistente a una pequeña cantidad de datos. Además, encontramos que la adición de la edad del paciente mejoró aún más el rendimiento diagnóstico de este método a un nivel comparable al de un clasificador entrenado con la prueba de Saxon, mientras que la eficacia de la información sobre el sexo no pudo evaluarse debido a la falta de información. de paciente masculino en casos positivos. Un estudio relacionado10 muestra un alto rendimiento de predicción con AUC = 0,84. Aunque el AUC no se pudo calcular en este estudio y se comparó con el valor de mAP, el rendimiento de predicción del estudio10 se considera mayor que el de este estudio. Sin embargo, mientras que los estudios relacionados requieren que los datos de atención primaria se registren regularmente, el método propuesto en este estudio es muy simple, ya que requiere solo una fotografía de la lengua e información sobre la edad. Consideramos que este estudio es el único método que puede contribuir a la detección temprana de pacientes con SS de forma amplia, ya que puede aplicarse a diversas situaciones, como exámenes físicos y pruebas de detección masivas. Los métodos estadísticos y de aprendizaje automático utilizados en este estudio revelaron que hubo un cambio en la apariencia de la lengua de los pacientes con SS, lo que indica su potencial prometedor para el diagnóstico clínico del SS.

Un informe15 mostró que el síndrome de Sjögren tiene una proporción de sexos significativa, con más del 90% de los pacientes siendo mujeres. Por lo tanto, se puede considerar que el género es una característica importante para predecir SS. El hecho de que el conjunto de datos positivos para SS en este estudio no incluya datos masculinos plantea preocupaciones sobre el sesgo en la evaluación de la precisión de la predicción del modelo de aprendizaje automático. Este punto debe verificarse ampliando el conjunto de datos en el futuro. Además, el número de casos positivos es menos de la mitad del número de casos negativos. En otras palabras, existe una tendencia general a que la salida esté sesgada hacia la clase con la mayoría de los casos. Sin embargo, en este estudio, a pesar del gran número de casos negativos, la sensibilidad de la detección positiva es muy alta. Por lo tanto, el efecto del desequilibrio de datos es pequeño. Planeamos investigar más a fondo este punto aumentando el número de casos en el futuro.

En estudios posteriores, investigaremos la posibilidad de distinguir pacientes con SS de pacientes sin SS en un grupo de pacientes con boca seca. Además, nos comunicaremos con universidades y clínicas para entrenar modelos más complejos, como redes neuronales convolucionales, aumentando el número de casos y comparando los resultados con los de nuestro método.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Soto-Rojas, AE, Villa, AR, Sifuentes-Osornio, J., Alarcón-Segovia, D. & Kraus, A. Manifestaciones orales en pacientes con síndrome de Sjögren. J Rheumatol. 25(5), 906–910 (1998).

CAS Google Académico

Maeda, M. Patrones dermatoscópicos de las papilas filiformes de la lengua en pacientes con síndrome de Sjögren. J. Dermatol. 33(2), 96–102. https://doi.org/10.1111/j.1346-8138.2006.00020.x (2006).

Artículo Google Académico

Kainuma, M. et al. La asociación entre el color objetivo de la lengua y los hallazgos endoscópicos: resultados del estudio de población de Kyushu y Okinawa (KOPS). BMC compl. Alterno Medicina. 15, 372. https://doi.org/10.1186/s12906-015-0904-0 (2015).

Artículo Google Académico

Oji, T. et al. Estudio de los factores involucrados en el diagnóstico del color de la lengua por médicos de Kampo utilizando la prueba Farnsworth-Munsell 100 hue e imágenes de color de la lengua. Compl. basado en evidencia Alterno Medicina. 2014, 783102. https://doi.org/10.1155/2014/783102 (2014).

Artículo Google Académico

Hasan, MM et al. NeuroPred-FRL: un modelo de predicción interpretable para identificar neuropéptidos mediante el aprendizaje de representación de características. Breve Bioinforme. 22(6), bbab167. https://doi.org/10.1093/bib/bbab167 (2021).

Artículo CAS Google Académico

Hasan, MM et al. HLPpred-Fuse: predicción robusta y mejorada del péptido hemolítico y su actividad al fusionar la representación de características múltiples. Bioinformática 36(11), 3350–3356. https://doi.org/10.1093/bioinformatics/btaa160 (2020).

Artículo CAS Google Académico

Ma, J., Wen, G., Wang, C. y Jiang, L. Método de clasificación de percepción de complejidad para el reconocimiento de la constitución de la lengua. Artefacto Intel. Medicina. 96, 123–133. https://doi.org/10.1016/j.artmed.2019.03.008 (2019).

Artículo Google Académico

Nakaguchi, T. et al. Propuesta de un nuevo método sin contacto para medir la humedad de la lengua para ayudar en el diagnóstico de la lengua y el desarrollo del sistema de análisis de imágenes de la lengua, que puede registrar por separado los componentes del brillo de la lengua. BioMed. Res. En t. 2015, 249609. https://doi.org/10.1155/2015/249609 (2015).

Artículo Google Académico

Yamamoto, S. et al. Cambios temporales en el color de la lengua como criterio para el diagnóstico de la lengua en la medicina Kampo. Forsch Komplementmed. 19(2), 80–85. https://doi.org/10.1159/000338516 (2012).

Artículo Google Académico

Dros, JT et al. Detección del síndrome de Sjögren primario en atención primaria: desarrollo de un modelo de clasificación con el uso de datos de atención médica de rutina y aprendizaje automático. Prim BMC. Cuidado. 23(1), 199. https://doi.org/10.1186/s12875-022-01804-w (2022).

Artículo Google Académico

Cortes, C. & Vapnik, V. Redes de vectores soporte. Mach. Aprender. 20, 273–297 (1995).

Artículo MATEMÁTICAS Google Académico

Breiman, L. Bosques aleatorios. Mach. Aprender. 45, 5–32. https://doi.org/10.1023/A:1010933404324 (2001).

Artículo MATEMÁTICAS Google Académico

Chawla , NV , Bowyer , KW , Hall , LO & Kegelmeyer , WP SMOTE: Una técnica de sobremuestreo minoritario sintético. J. Artif. Intel. Res. 16, 321–357 (2002).

Artículo MATEMÁTICAS Google Académico

Blochowiak, K. et al. Manifestaciones de la mucosa oral en el síndrome de Sjögren primario y secundario y el síndrome de boca seca. Postepio. Dermatol. Alergol. 33(1), 23–27 (2016).

Artículo Google Académico

Whitacre, C. Diferencias sexuales en enfermedades autoinmunes. Nat. inmunol. 2, 777–780. https://doi.org/10.1038/ni0901-777 (2001).

Artículo CAS Google Académico

Descargar referencias

Escuela de Graduados en Ciencia y Tecnología, Universidad de Chiba, Chiba, Japón

Keigo Noguchi

Departamento de Patología, Escuela de Medicina Dental de la Universidad de Tsurumi, Yokohama, Japón

Ichiro Saito

Departamento de Medicina Japonés-Oriental (Kampo), Facultad de Medicina de la Universidad de Chiba, Chiba, Japón

takao namiki

Escuela de Ingeniería, Universidad Chukyo, Nagoya, Japón

Yuichiro Yoshimura

Centro de Ingeniería Médica Fronteriza, Universidad de Chiba, Chiba, Japón

Toshiya Nakaguchi

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

KN y TN concibieron la idea del estudio. KN y YY desarrollaron el plan de análisis estadístico y realizaron análisis estadísticos. IS y TN contribuyeron a la interpretación de los resultados. TN redactó el manuscrito original. TN supervisó la realización de este estudio. Todos los autores revisaron el borrador del manuscrito y revisaron críticamente el contenido intelectual. Todos los autores aprobaron la versión final del manuscrito para ser publicado.

Correspondencia a Toshiya Nakaguchi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Noguchi, K., Saito, I., Namiki, T. et al. Confiabilidad del diagnóstico de lengua sin contacto para el síndrome de Sjögren utilizando el método de aprendizaje automático. Informe científico 13, 1334 (2023). https://doi.org/10.1038/s41598-023-27764-4

Descargar cita

Recibido: 08 Agosto 2022

Aceptado: 06 enero 2023

Publicado: 24 enero 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.