融合机器学习分割与口腔疾病和全身健康关联的自动化流程
机器学习
2018-10-26 v1 定量方法
机器学习
摘要
对组织与皮肤中的荧光疾病生物标志物成像是一种筛查健康状况的非侵入性方法。我们报告一种自动化流程，其结合口内荧光卟啉生物标志物成像、临床检查与机器学习，用于关联全身健康状况与牙周疾病。来自 284 名 18–90 岁知情同意成年人的 1215 张口内荧光图像，使用可分割牙周炎症的机器学习分类器进行分析。该分类器取得 0.677 的 AUC，精确率与召回率分别为 0.271 与 0.429，表明在所采集图像中习得疾病特征间的关联。在筛查人群中，牙周疾病于男性（p=0.0012）与年长受试者（p=0.0224）中更为普遍。医师独立检查所采集图像，赋予局部改良龈沟出血指数（MGI）。随后将 MGI 与牙周疾病同病史问卷、血压与身体质量指数测量，以及视神经、鼓膜、神经学与心律成像检查的结果进行交叉关联。牙龈炎与早期牙周疾病同视网膜扫描中诊断为视神经异常（p<0.0001）的受试者相关。我们还报告了牙周疾病在报告关节肿胀（p=0.0422）与眼疾家族史（p=0.0337）受试者中的显著共现。这些结果表明牙周健康不佳与全身健康结局的交叉关联，并强调初级保健层面口腔健康筛查的重要性。我们的筛查流程与分析方法利用图像与机器学习，可推广至其他疾病的自动化诊断与全身健康筛查。
引用
@article{arxiv.1810.10664,
title = {Automated Process Incorporating Machine Learning Segmentation and Correlation of Oral Diseases with Systemic Health},
author = {Gregory Yauney and Aman Rana and Lawrence C. Wong and Perikumar Javia and Ali Muftu and Pratik Shah},
journal= {arXiv preprint arXiv:1810.10664},
year = {2018}
}
备注
Submitted to IEEE Journal of Biomedical and Health Informatics, 2018