[论文解读] 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 4

一句话总结

本研究提出了一种自动化机器学习流程，结合口内荧光成像与临床数据，用于检测牙周病并将其与全身健康状况相关联。该系统在分类牙龈炎症方面取得了0.677的AUC，揭示了牙周病与全身标志物之间的显著关联，例如视神经异常（p < 0.0001）、关节肿胀（p = 0.0422）以及眼病家族史（p = 0.0337）。

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.

研究动机与目标

• 开发一种基于机器学习和荧光成像的自动化、非侵入性牙周病检测方法。
• 在初级保健筛查背景下，研究口腔健康标志物与全身健康状况之间的相关性。
• 评估基于机器学习的分割模型在使用临床与影像数据时对牙周炎炎症的泛化能力。
• 识别牙周病与全身健康指标（如血压、BMI以及眼或神经系统异常）之间显著的共现关系。
• 证明将自动化口腔筛查整合到常规初级保健中以实现全身疾病早期检测的可行性。

提出的方法

• 使用经FDA批准的口内相机，在405–450 nm蓝光照射下，从284名成年人（18–90岁）获取1,215张口内荧光图像。
• 应用机器学习分类器，基于卟啉荧光对炎症牙龈进行像素级分割，并以专家标注的临床图像作为真实标签。
• 使用训练有素的牙医提供的改良牙龈指数（MGI）评分作为分割性能的临床验证。
• 将MGI评分与自报的病史、常规健康指标（血压、BMI）以及技术辅助筛查结果（心电图、视网膜成像、鼓膜检查、神经系统检查）进行相关性分析。
• 通过统计分析（p值）识别在不同人口学亚组中牙周病与全身状况之间显著的共现关系。
• 使用AUC、精确率和召回率指标对分割任务中的模型性能进行验证。

实验结果

研究问题

• RQ1 机器学习分类器能否准确地从口内荧光图像中分割出牙周炎炎症？
• RQ2 以MGI测量的牙周病与全身健康状况（如视神经异常或关节肿胀）之间的相关性强度如何？
• RQ3 牙周病与全身健康标志物（如年龄、性别、BMI、血压）之间是否存在显著的人口学关联？
• RQ4 使用荧光成像与机器学习的自动化口腔筛查能否以统计学显著性检测出全身疾病指标？
• RQ5 该自动化系统在初级保健中用于全身健康筛查时，其泛化能力在多大程度上可被拓展？

主要发现

• 机器学习分类器在分割牙周炎炎症方面取得了0.677的AUC，精确率为0.271，召回率为0.429。
• 牙周病在男性（p = 0.0012）和年长受试者中更为普遍（p = 0.0224）。
• 牙龈炎和早期牙周病与视网膜扫描中发现的视神经异常显著相关（p < 0.0001）。
• 患有牙周病的受试者更可能报告有关节肿胀（p = 0.0422）和眼病家族史（p = 0.0337）。
• 较高的MGI评分与男性性别、年龄较大以及技术辅助筛查中发现的异常（如视网膜和鼓膜检查）显著相关。
• 本研究证明，基于荧光成像与机器学习的自动化口腔筛查能够检测出具有临床意义的全身健康相关性，支持其在初级保健中的整合应用。