[論文レビュー] Automated Process Incorporating Machine Learning Segmentation and Correlation of Oral Diseases with Systemic Health

Gregory Yauney, Aman Rana+4 more|arXiv (Cornell University)|Oct 24, 2018

Oral microbiology and periodontitis research被引用数 4

ひとこと要約

本研究では、口腔内蛍光画像と臨床データを用いて歯周病を自動検出するとともに、全身的健康状態と関連付ける自動化された機械学習パイプラインを提示する。このシステムは、歯肉炎を分類する際、AUC 0.677を達成し、視神経障害（p < 0.0001）、関節の腫脹（p = 0.0422）、眼疾患の家族歴（p = 0.0337）といった全身的マーカーと有意な関連を示した。

ABSTRACT

Imaging fluorescent disease biomarkers in tissues and skin is a non-invasive method to screen for health conditions. We report an automated process that combines intraoral fluorescent porphyrin biomarker imaging, clinical examinations and machine learning for correlation of systemic health conditions with periodontal disease. 1215 intraoral fluorescent images, from 284 consenting adults aged 18-90, were analyzed using a machine learning classifier that can segment periodontal inflammation. The classifier achieved an AUC of 0.677 with precision and recall of 0.271 and 0.429, respectively, indicating a learned association between disease signatures in collected images. Periodontal diseases were more prevalent among males (p=0.0012) and older subjects (p=0.0224) in the screened population. Physicians independently examined the collected images, assigning localized modified gingival indices (MGIs). MGIs and periodontal disease were then cross-correlated with responses to a medical history questionnaire, blood pressure and body mass index measurements, and optic nerve, tympanic membrane, neurological, and cardiac rhythm imaging examinations. Gingivitis and early periodontal disease were associated with subjects diagnosed with optic nerve abnormalities (p &lt;0.0001) in their retinal scans. We also report significant co-occurrences of periodontal disease in subjects reporting swollen joints (p=0.0422) and a family history of eye disease (p=0.0337). These results indicate cross-correlation of poor periodontal health with systemic health outcomes and stress the importance of oral health screenings at the primary care level. Our screening process and analysis method, using images and machine learning, can be generalized for automated diagnoses and systemic health screenings for other diseases.

研究の動機と目的

• 機械学習と蛍光画像を用いて、非侵襲的かつ自動化された歯周病検出法を開発すること。
• プライマリ・ケアのスクリーニング環境において、口腔健康マーカーと全身的健康状態の相関を調査すること。
• 臨床データおよび画像データを用いて、機械学習ベースの歯肉炎分類モデルの一般化可能性を評価すること。
• 血圧、BMI、眼または神経系の異常を含む、歯周病と全身的健康指標との間の有意な共起性を同定すること。
• 早期に全身疾患を検出可能な、自動化された口腔スクリーニングを日常的なプライマリ・ケアに統合する可能性を示すこと。

提案手法

• 405–450 nmの青色光照射下で、米国食品医薬局（FDA）承認の口腔内カメラを用いて、284名（18–90歳）から1,215枚の口腔内蛍光画像を収集した。
• プロフィリン蛍光に基づき、熟練歯科医がラベル付けした臨床画像を基準として、ピクセル単位の歯肉炎領域の分類を機械学習分類器で実行した。
• 熟練歯科医が評価した修正歯肉指数（MGI）スコアを、分類性能の臨床的妥当性として用いた。
• MGIスコアを、自己申告の病歴、血圧やBMIなどの一般的な健康指標、心電図、網膜画像、鼓膜画像、神経学的検査などのテクノロジー支援スクリーニング結果と相関させた。
• 人口統計的サブグループごとに、歯周病と全身疾患との間の有意な共起性を特定するため、統計的分析（p値）を実施した。
• 分類タスクにおけるモデル性能を、AUC、適合率、再現率の指標で検証した。

実験結果

リサーチクエスチョン

• RQ1 機械学習分類器は、口腔内蛍光画像から歯周炎を正確に領域分類できるか？
• RQ2 MGIで測定される歯周炎と、視神経障害や関節腫脹といった全身的健康状態との間の相関の強さはいかほどか？
• RQ3 年齢、性別、BMI、血圧などの要因に関して、歯周炎と全身的健康マーカーとの間に有意な人口統計的関連があるか？
• RQ4 蛍光画像と機械学習を用いた自動化された口腔スクリーニングは、全身疾患の兆候を統計的に有意に検出できるか？
• RQ5 この自動化システムは、全身的健康スクリーニングを目的としたプライマリ・ケア分野への広範な応用にどの程度一般化可能か？

主な発見

• 機械学習分類器は、歯周炎の領域分類においてAUC 0.677を達成し、適合率0.271、再現率0.429を示した。
• 男性（p = 0.0012）および高齢者（p = 0.0224）において、歯周炎が有意に頻度が高かった。
• 歯肉炎および初期歯周炎は、網膜画像での視神経障害と強く関連していた（p < 0.0001）。
• 歯周炎を有する被験者は、関節の腫脹（p = 0.0422）および眼疾患の家族歴（p = 0.0337）を報告する可能性が有意に高かった。
• MGIスコアの上昇は、男性性、高齢、網膜画像および鼓膜画像検査での異常所見と有意に相関していた。
• 本研究では、蛍光画像と機械学習を用いた自動化された口腔スクリーニングが、臨床的に意味のある全身的健康との関連を検出できることを示し、プライマリ・ケアへの統合を支援するものである。