Video Experimental Relacionado
Updated: Sep 10, 2025
05:56
Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
2.6K
Diagnóstico basado en imágenes de la lengua de infecciones agudas del tracto respiratorio utilizando aprendizaje
Qianzi Che1, Yuanming Leng2, Wei Yang1
1Institute of Clinical Basic Medicine of Chinese Medicine, Chinese Academy of Traditional Chinese Medicine, No.16, Nanxiao street, Dongzhimen, Dongcheng District, Beijing, 100700, China.
JMIR medical informatics
|August 25, 2025
Resumen
La inteligencia artificial puede analizar las imágenes de la lengua para diferenciar el COVID-19 de las infecciones por adenovirus humano (HAdV). Este método no invasivo es prometedor para mejorar el diagnóstico de infecciones respiratorias.
Área de la Ciencia:
- Diagnóstico médico
- Inteligencia artificial en la salud
- La medicina tradicional china
Sus antecedentes:
- El COVID-19 y los adenovirus humanos (HAdV) presentan síntomas similares, lo que complica el diagnóstico sin pruebas.
- El diagnóstico de la lengua, una técnica de medicina tradicional china, muestra potencial para identificar infecciones respiratorias.
- La IA puede mejorar el análisis objetivo de las imágenes de la lengua para mejorar la precisión del diagnóstico.
Objetivo del estudio:
- Desarrollar y validar modelos de IA para diferenciar el COVID-19 de las infecciones por HAdV utilizando imágenes de la lengua.
- Integrar los métodos de diagnóstico tradicionales con las tecnologías modernas de IA.
- Mejorar la precisión del diagnóstico de las infecciones agudas del tracto respiratorio.
Principales métodos:
- Se recogieron 280 imágenes de la lengua de pacientes con COVID-19, pacientes con HAdV y controles sanos.
- Aprendizaje profundo aplicado para extraer las características de la lengua (color, recubrimiento, fisuras, etc.) En el caso de los
- Desarrolló y comparó cuatro clasificadores de aprendizaje automático (regresión logística, bosque aleatorio, aumento de gradiente, aumento de gradiente extremo).
Principales resultados:
- Nueve características de la lengua, incluido el color, las marcas de los dientes y la humedad, diferían significativamente entre los grupos (P <.05).
- El modelo de aumento de gradiente extremo logró el rendimiento más alto (AUC 0,84).
- El análisis de Shapley identificó el color, la humedad y la textura de la lengua como características clave para el diagnóstico.
Conclusiones:
- El diagnóstico de la lengua, ayudado por la IA, puede ayudar a identificar los patógenos que causan infecciones agudas del tracto respiratorio en el momento de la admisión.
- Este enfoque puede reducir la carga de trabajo del clínico y mejorar la precisión del diagnóstico.
- El análisis de la lengua impulsado por IA ofrece una herramienta prometedora y no invasiva para el diagnóstico de infecciones respiratorias.
