In einer kürzlich veröffentlichten Studie in Technologies haben Forscher ein neuartiges System entwickelt, das maschinelles Lernen verwendet, um Zungenerkrankungen vorherzusagen.
Die herkömmliche Diagnose von Zungenerkrankungen beruht auf der Überwachung von Zungenmerkmalen wie Farbe, Form, Textur und Feuchtigkeit, die den Gesundheitszustand anzeigen.
Traditionelle chinesische Mediziner verlassen sich auf subjektive Bewertungen von Zungeneigenschaften, was zu Subjektivität bei der Diagnose und Replikationsproblemen führt. Der Aufstieg der künstlichen Intelligenz hat eine starke Nachfrage nach Durchbrüchen in der Zungendiagnostiktechnologie geschaffen.
Automatisierte Zungenfarbanalysesysteme haben eine hohe Genauigkeit bei der Identifizierung von gesunden und kranken Personen sowie bei der Diagnose verschiedener Störungen gezeigt. Künstliche Intelligenz hat sich enorm weiterentwickelt, um Zungenbilder zu erfassen, zu analysieren und zu kategorisieren.
Die Kombination von künstlicher Intelligenz in der Zungendiagnostikforschung zielt darauf ab, die Zuverlässigkeit und Genauigkeit zu erhöhen und die langfristigen Perspektiven für großflächige KI-Anwendungen im Gesundheitswesen anzugehen.
In der vorliegenden Studie wird ein neuartiges, auf maschinellem Lernen basierendes Bildgebungssystem vorgeschlagen, um Zungenfarbmerkmale bei verschiedenen Farbsättigungen und unter verschiedenen Lichtbedingungen für eine Echtzeitanalyse der Zungenfarbe und die Vorhersage von Erkrankungen zu analysieren und zu extrahieren.
Die Forscher teilten die Daten in die Trainings- (80%) und Testdatensätze (20%) auf. Der Trainingsdatensatz bestand aus 5.260 Bildern, die nach Farben klassifiziert waren. Die zweite Gruppe umfasste 60 pathologische Zungenbilder von verschiedenen Erkrankungen wie Diabetes, Asthma, Mykosen, Nierenversagen, COVID-19, Anämie und Pilzpapillen.
Die Ergebnisse zeigten, dass XGBoost mit 98,7% die genaueste Methode war. Der Nave Bayes-Ansatz hatte die niedrigste Genauigkeit von 91%. XGBoost wurde aufgrund seiner herausragenden Leistung in Präzision, Genauigkeit und F1-Wert als zuverlässig und effektiv für die Zungenanalyse angesehen.
Die Forscher verwendeten XGBoost als Algorithmus für das vorgeschlagene Zungenbildgebungswerkzeug, das mit einer grafischen Benutzeroberfläche verbunden ist und die Zungenfarbe und damit verbundene Störungen in Echtzeit vorhersagt.
Die Bildgebrauchssystem mit XGBoost erreichte nach der Implementierung eine hohe Genauigkeit von 96,6%. Eine rosafarbene Zunge deutet auf gute Gesundheit hin, während andere Farbtöne auf Krankheiten hinweisen. Gelbe Zungen wurden als diabetisch eingestuft, grüne als Mykosenkrankheiten.
Abschließend zeigten die Ergebnisse der Echtzeitbildgebung mit XGBoost eine hohe Genauigkeit von 96,6%. Diese Erkenntnisse unterstützen die Praktikabilität von KI-Systemen für die Zungenerkennung in medizinischen Anwendungen und zeigen, dass diese Methode sicher, effizient, benutzerfreundlich, angenehm und kostengünstig ist.