机器学习辅助的舌头图像分析用于诊断哈西莫托甲状腺炎
Ting Ruan1, Wenjun Wu2, Mingji Piao3
1Liaoning University of Traditional Chinese Medicine, Shenyang, China.
Frontiers in medicine
|November 14, 2025
概括
使用舌头特征的机器学习模型可以帮助诊断哈西莫托的甲状腺炎 (HT) 和甲状腺功能低下症. 支持矢量机器 (SVM) 模型在区分甲状腺和甲状腺功能低下的HT患者方面表现最好.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 内分泌学 在内分泌学.
背景情况:
- 哈西莫托甲状腺炎 (HT) 是一种常见的自身免疫性疾病,导致甲状腺功能低下.
- 准确和早期诊断HT及其相关的甲状腺功能低下症对于有效的管理至关重要.
- 当前的诊断方法可能有局限性,需要探索新的方法.
研究的目的:
- 为了评估机器学习模型的诊断价值,使用舌头特征来评估哈西莫托甲状腺炎 (HT).
- 评估模型在HT患者中区分euthyroid和hypothyroid状态的能力.
- 建立一种非侵入性,具有成本效益的工具,用于HT和甲状腺功能低下的辅助诊断.
主要方法:
- 从120名HT患者的舌头图像和临床数据的回顾性收集.
- 图像预处理用于舌头细分和提取1,125个图像特征.
- 训练和验证四种机器学习模型:随机森林 (RF),物流回归 (LR),支持矢量机 (SVM) 和决策树 (DT).
- 使用AUC,灵敏度,特异性,PPV和NPV进行性能评估,并进行外部验证.
主要成果:
- 机器学习模型显示HT具有显著的预测价值,所有AUC都高于0.82.
- 支持矢量机 (SVM) 模型实现了最高的AUC (0.894),表明了优越的分类能力和稳定性.
- SVM以0.804的灵敏度和0.936的特异性显示出平衡的性能,在回忆和精度之间提供了最佳的平衡.
- 外部验证证实了模型的有效性和SVM强大的概括能力.
结论:
- 一个基于舌头图像的机器学习模型有效地帮助区分HT患者的euthyroid和hypothyroid状态.
- 这种方法为辅助诊断提供了一个非侵入性,低成本和智能工具.
- 该模型有可能用于初级保健机构的疾病风险监测.
