人工智能驱动的舌象分析用于诊断和预测冠状动脉疾病

摘要

冠状动脉疾病是全球死亡的主要原因，目前的诊断方法存在侵入性强和准确性不足的挑战。本研究调查了人工智能驱动的舌象分析作为冠状动脉疾病新型非侵入性诊断工具的潜力。基于伊朗传统医学原理，我们分析了906名接受冠状动脉造影患者的舌象特征，包括颜色、裂纹、舌苔、湿润度和红点。利用Visioface设备捕获的12,000张高分辨率舌象图像训练人工智能模型。Segment-Anything模型促进舌部分割，而DeepLabv3+/DINOv2架构被用于特征提取和狭窄分类。结果表明，人工智能预测左回旋支动脉狭窄的准确率高达80%，突显舌色和裂纹是该疾病的显著预测因子。本研究展示了人工智能驱动的舌象分析作为冠状动脉疾病筛查的快速且具有成本效益的辅助手段，特别是在资源有限的环境中，并值得在不同人群中进行进一步验证。

引言

心血管疾病是全球死亡的首要原因，其中冠状动脉疾病(CAD)是主要贡献者。值得注意的是，相当大比例的冠状动脉疾病患者表现为无症状。早期和准确诊断这些疾病可显著降低其死亡率和发病率。诊断心脏病的简单易行方法可帮助医生更方便、更快地做出诊断，最终改善患者健康。虽然冠状动脉造影仍是诊断冠状动脉疾病的金标准，但其耗时长、成本高且具有侵入性，往往使医生仅在危急情况下才会要求进行此项检查，患者也可能不愿接受。心电图(ECG)是一种广泛使用、非侵入性且经济有效的诊断程序，不需要昂贵设备。尽管解释心电图结果需要专业培训，但这并不妨碍许多人获得此类培训。值得注意的是，心电图诊断冠状动脉疾病的平均准确率约为57.8%，突显其在评估冠状动脉疾病方面的诊断性能有限。最近，风险因素分类器与心电图结合使用以提高其诊断冠状动脉疾病的准确性。虽然这种方法可将心电图准确性提高至94%，但这些风险因素的分类和考虑需要全面了解患者的病史和记录，在紧急情况下通常难以实现。

运动耐量测试将冠状动脉疾病的诊断准确性提高到77%；然而，其实现需要专门的设施和设备，限制了其在所有医疗环境中的可行性。此外，超声心动图作为冠状动脉疾病的另一种非侵入性诊断方式，显示识别该疾病的敏感性为87%。然而，超声心动图需要专业人员和适当设备，并非所有临床中心都一致提供。使用辐射的非侵入性心脏成像技术，如CT扫描、CT血管造影和心肌灌注扫描，可提高诊断敏感性和准确性，达到94%。在这些情况下，除了成本高昂且需要专用空间、专业人员以及特定工具和设备外，这些方法还受到辐射依赖性的进一步限制。因此，更多非侵入性技术的可用性增加了快速获得准确诊断的可能性。

人工智能(AI)的应用最近已成为心血管诊断中的变革性力量，提供了克服传统方法局限性的有希望的解决方案。除了常规方法外，人工智能正成功应用于各种非侵入性方式。例如，人工智能增强心电图(AI-ECG)模型在识别各种心脏疾病方面表现出显著的准确性，从预测长期心房颤动风险到检测左心室肥大。同样，人工智能算法正与超声心动图和心脏MRI集成，以自动分析图像、提高测量准确性并促进结构性心脏病的早期检测。此外，最近的研究表明，人工智能在分析胸部X光片和视网膜图像以预测心血管风险方面的潜力，证明微妙的视觉生物标志物可用于筛查冠状动脉疾病等全身性疾病。

舌象评估是许多整体医学中常见的实践，如伊朗传统医学和中医，医疗从业者用它来评估各种疾病（包括心脏病）的患者状况。作为解剖结构，舌头是身体生理和病理的反射指标。舌象检查基于视觉线索，颜色、形状、运动、质地和舌苔在诊断过程中都起着重要作用。此外，舌头的几何排列，包括厚度、大小、裂纹和凹陷等测量，成为评估个人健康的贡献因素。

最近的研究表明，舌头可作为检测内部和系统性疾病表现的宝贵诊断工具。例如，缺铁性贫血会导致舌乳头扁平化。在自身免疫疾病背景下，舌象表现主要由疾病引起的炎症导致。例如，在舍格伦综合征中，舌头干燥且呈秃头状，具有墓碑样纹理，出现可见的裂纹和裂隙。在川崎病中，舌头肿胀发红，由于乳头肿胀，呈草莓状。在硬皮病中，舌头变得光滑，活动性降低。在淀粉样变中，常出现大而肿胀的舌头(巨舌症)，而在狼疮中，舌头上可能出现肉芽肿性溃疡。内分泌疾病在舌头上也表现出不同的表现。这些包括甲状腺功能减退症中的舌 enlargement和巨舌症，以及艾迪生病中舌头上的斑片状棕色斑点色素沉着。糖尿病患者的舌症状包括干燥的舌头，伴有大面积厚黄色舌苔。心血管疾病也可能在舌头上表现出一系列症状，突显了舌头作为心脏健康窗口的观念。舌色是预测冠状动脉狭窄严重程度的重要因素。在瘀滞和冠状动脉疾病患者中，舌头通常呈现蓝紫色或红紫色。

尽管舌象检查简单且非侵入性，但获得客观和标准化的评估被证明是一项困难的任务。最近的学术努力一直致力于解决这些问题。近年来，人工智能越来越受欢迎，通过客观和标准化的观察增强了各种诊断能力。

人工智能及其相关技术可以分析医学科学中的大量图像数据，以更准确地确定这些图像中观察到的症状和体征与相关疾病之间的关系。

在医学领域，可以突出几种利用人工神经网络的人工智能简单应用。一个典型应用是协助医疗诊断，如黑色素瘤诊断。这是通过使用手机相机获取特定病变的皮肤镜图像完成的。人工智能算法使用这种方法达到与专业从业者相当的精度。因此，计算机辅助舌诊的概念为提供更一致和客观的健康评估提供了巨大希望，特别是在心脏病评估等领域。这种诊断技术在需要快速识别和实施治疗干预以限制患者病情进展的情况下（如心血管疾病）可以发挥关键作用。

鉴于冠状动脉疾病的高度流行和关键重要性，我们启动了一项研究项目，调查冠状动脉疾病与舌头相关症状之间的潜在相关性。本研究旨在利用先进的AI技术识别和分析舌象表现与冠状动脉疾病之间的关系，从而为心血管健康中的更好诊断和预防策略做出贡献。

本研究的主要目的是通过人工智能(AI)和舌象分析建立舌象体征与冠状动脉疾病之间的精确关系。这可能导致开发能够基于舌象分析冠状动脉状况的软件。研究的具体目标如下：

训练人工智能识别舌头上的相关发现。
提取研究参与者的冠状动脉造影结果，并在一致条件下拍摄他们的舌头照片。
确定舌象发现与冠状动脉造影结果之间的相关性。

在这个快速扩展的领域中，我们的研究通过将传统舌诊与先进的AI和计算机视觉技术相结合，引入了一种新颖且非侵入性的方法。虽然其他AI驱动的方法依赖于复杂且有时昂贵的成像，但我们的方法利用了舌头的现成视觉信息。这使其成为一种独特且可能可扩展的大规模筛查解决方案，特别是在资源有限的环境中。通过将舌头的丰富视觉生物标志物与复杂的深度学习框架相结合，我们的研究补充了现有的非侵入性诊断工具，并为冠状动脉疾病的早期检测和风险分层提供了新途径。

方法

这是一项横断面研究。从2021年7月到2022年2月，从德黑兰医科大学附属Baharloo医院血管造影病房因心脏症状住院的906名患者中收集了舌象图像。本研究的方法学已获得德黑兰医科大学伦理委员会批准，批准号为IR.TUMS.MEDICINE.REC.1400.675。本研究中进行的所有程序均按照该委员会的指南进行。

纳入标准

纳入标准： 住院在血管造影科且血流动力学稳定的患者被纳入研究。
排除标准： 以下标准用于从研究中排除：不合作的患者；无意识或血流动力学不稳定的患者；有认知或行为障碍的患者；患有活动性癌症或活动性口腔感染的患者；在过去两年内出现与口腔癌相关的症状的个体；孕妇或哺乳期妇女；患有先天性心脏病的患者；以及患有地图舌的个体。

数据收集

所有参与者都获得了关于研究目标和方法的详细信息，并在参与前获得书面知情同意。知情同意书包括同意在开放获取期刊中发布与舌象图像和测试结果相关的数据。知情同意书作为补充文件提供。记录了他们的病史和人口统计信息。（补充文件）成像过程在一个没有窗户或无法进入自然光的房间中进行。在用生理盐水溶液冲洗患者口腔后，由伊朗传统医学专家检查并记录他们的舌头。检查评估了舌头的形状、颜色、齿痕、裂纹以及舌苔的分布、颜色和厚度。此外，评估了舌头的湿润程度和红点的存在。（补充文件）

我们使用Visioface设备，该设备具有210个LED用于均匀照亮舌头，可捕获1400万像素的照片，并包括用于摄影过程中稳定的头部和下巴支撑。捕获的图像直接传输到计算机进行存储和处理。（图1）从正面、右侧和左侧拍摄了舌象照片。每张图像都标有唯一代码以保护患者隐私。

图1

患者舌象分析的临床成像设置。该图说明了使用高分辨率Visio Face相机捕获舌象的标准程序。该设置确保一致的照明和距离，这对于最小化环境变异性并保证视觉数据的可重复性至关重要。

同时，我们舌象图像的一个子集由伊朗传统医学认证专家手动注释。这些专家注释作为训练自动化特征提取模型的基础事实。需要强调的是，虽然此专家评估提供了必要的基础，但我们的主要深度学习模型并未在这些主观评级上进行训练。相反，该模型旨在直接从图像中提取客观的定量特征。对于舌苔（厚度和面积）和舌色，我们不使用专家注释；而是使用基于CIELAB色彩空间的固定自动化图像处理算法，该算法不包含除CIELAB空间定义以外的任何假设。

对于裂纹、湿润度和其他特征，专家注释由A.H.A.进行，他是拥有27年临床经验的高级医师，目前是伊朗传统医学第六年学生。注释过程由M.K.监督，他是伊朗医学院教授，拥有20多年经验，以及A.H.K.，他是在北京大学接受过培训的传统中医副教授，拥有15年以上的临床和教学经验。三位专家验证了舌头上每个特征的区域和存在，因为在许多情况下可能具有挑战性。有关更多详细信息，我们解释了每个特征的视觉标准：

裂纹：舌裂纹是出现在舌背表面的深沟或皱纹。
湿润度：由唾液分泌引起的舌头上水分和湿润度。
红点：红点可能出现在舌尖、侧缘或根部。它们大于针尖但小于痣。
齿痕：大舌头侧缘上的齿痕是由相邻牙齿的压力造成的，导致凹凸交替的图案。

这些复杂的形态特征（裂纹、湿润度、牙印和红点）由专门的计算机视觉算法进行量化。该算法的稳健性通过在超过1,000张舌象图像上提取的外部数据库上进行训练得到确认，这些图像由三位专家注释和验证，确认其将视觉数据准确转换为客观数值输入的能力。

这些结构化注释在我们的流程中发挥了一个主导作用：

训练分割模型DeepLabv3 +以准确识别和遮罩每个特征。
此外，这些遮罩用作微调DINOv2分类头以预测血管狭窄和患者结果的输入特征。

一半样本的特征由训练好的DeepLabv3 +模型生成，而不是直接专家注释。通过依赖经交叉验证的专家注释、AI计算指标、自动化图像处理算法（用于舌苔和颜色特征）的混合数据集——而不是纯粹的主观评分——我们减少了注释过程中的任何潜在偏差。这种混合方法在训练和评估阶段利用临床专业知识，同时保持定量客观性。

所有患者均接受了冠状动脉造影。研究实施步骤的摘要如图2所示。

图2

从数据采集到冠状动脉疾病预测的完整研究流程。该流程图详细说明了我们研究的多阶段过程。它从舌象的初始收集开始，接着是高级图像预处理、计算特征提取，最后是AI驱动的分类以预测冠状动脉疾病(CAD)的可能性。每个步骤都旨在将原始视觉数据转化为稳健的预测生物标志物。

在本研究中，冠状动脉造影结果分为四部分评估。（图3）

图3

主要冠状动脉的解剖参考。该图提供了三条主要冠状动脉的视觉指南：左前降支(LAD)、左回旋支(LCX)和右冠状动脉(RCA)。该图作为理解模型预测与结果中讨论的特定动脉之间空间关系的关键参考。

左主冠状动脉(LMCA)
左前降支动脉(LAD)：不考虑作为LAD小分支的对角支1和2以及室间隔支的血管造影结果。
左回旋支动脉(LCX) 血管造影结果包括钝缘支(OM1和OM2)和分支动脉。
右冠状动脉(RCA) 在这部分中，我们考虑了后降支(PDA)、左心室后支(PLV)和右心室(RV)分支的血管造影结果。

在每个部分中，将考虑最差的血管段结果。例如，在PLB、PDA和RCA血管中，最差的血管造影结果将用于RCA部分的结果。（补充文件）

使用修改后的Agatston评分对每次血管造影的发现进行评分。根据此分级系统，狭窄严重程度分类如下：

轻度：1-49%狭窄。
中度：50-69%狭窄。
重度：70-99%狭窄。
闭塞：100%阻塞。

我们在结果确定前随访患者。结果分为四类：药物治疗、PCI、CABG和其他（例如，用于室性早搏的消融、瓣膜置换）。

人工智能

我们有一个包含906名受试者面部图像的数据集，从三个角度拍摄：正面和两侧，以及他们的血管造影结果，这些结果标有LCX、RCA和LAD不同区域的狭窄程度。此外，我们还有来自普通人群的12,000多张未标记图像。我们目前关注的是受试者的正面图像。

为了克服相对较小的标记临床数据集的限制，我们的方法结合了两阶段训练过程。对于特征提取，我们的深度学习模型首先在12,000张未标记的普通人群舌象图像的大型辅助数据集上进行预训练。这种自监督预训练对于学习识别和分割低患病率的特征（如齿痕和红点）以及泛化到高度可变的特征（如湿润度和裂纹）至关重要，这些特征需要大量图像进行稳健训练。这种方法至关重要，因为它利用大量可用的未标记数据为模型建立强大的基础知识。随后，预训练模型在我们的主要标记数据集（906名CAD患者）上进行微调，用于特定的疾病预测任务。这种迁移学习方法显著提高了模型性能并降低了对有限临床数据过拟合的风险。

我们提出的方法包括三个主要步骤：(1)从面部图像中提取舌头，(2)从舌象中提取舌象特征，(3)基于提取的特征和舌象估计冠状动脉闭塞程度。整个流程如图4所示。以下部分将详细解释这三个步骤。以下是主要CAD检测模型的实施细节和设置。

图4

人工智能驱动的舌象分析和CAD分类的完整流程。该详细流程图说明了整个过程，从相机捕获的患者舌象开始。然后将图像通过一系列自动化的基于AI的预处理步骤，包括分割、裂纹和红点检测以及湿润度和舌苔分析。计算提取的特征随后被输入到主要AI模块，用于最终预测CAD严重程度。

预训练CAD模型(DINOv2)设置

模型： Vision Transformer Large (ViT-Large)。
框架： DINOv2。
预训练方法： 自监督学习。
权重： timm库中的vit_large_patch14_dinov2.lvd142m。
预训练数据集： LVD-142 M。

迁移学习与微调策略

参数冻结： 无（完全微调）。
主干(ViT)： 变压器块中的所有参数均可训练（requires_grad = True）。
输入层： 替换了初始Conv2d补丁投影层以处理自定义输入通道；此新层从头训练。
分类头： 添加了自定义MLP头并从头训练。
结构： Linear(1024 -> 512), ReLU, Dropout(p = 0.3), Linear(512 -> 3)。

训练超参数

优化器： AdamW。
初始学习率： 1e-3。
权重衰减： 1e-4。
学习率调度器： OneCycleLR。
最大学习率： 1e-4。
损失函数： 加权交叉熵（基于训练集的逆类频率的权重）。
训练持续时间： 150个epoch。

数据处理

批大小： 8。
输入图像大小： 518 × 518。
数据分割： 80%训练/20%验证（分层）。

数据增强（训练）

几何： HorizontalFlip(p = 0.3), ShiftScaleRotate(p = 0.5)。
归一化： ImageNet标准均值/标准差, VerticalFlip(p = 0.3), RandomRotate90(p = 0.3)。

舌区提取

初始步骤涉及处理面部图像进行分析。我们使用Segment-Anything Model (SAM)，一种基于视觉变压器的图像分割模型，利用其预训练能力从面部环境中提取舌区。如图5所示，使用三个固定提示（一个用于前景，两个用于背景），我们一致地从面部图像中分割舌头。此方法为后续分析建立了可靠基础。

图5

使用SAM进行面部图像分割以提取舌区。该图说明了Segment Anything Model (SAM)在我图像处理流程初始阶段的功能。给定舌部的一个输入提示和舌部外部的两个不同提示，SAM模型自动准确地识别"前景"区域（即舌头），并将其与"背景"（面部图像的其余部分）分离。此方法为从完整图像中自动提取舌头提供了高效准确的解决方案。

舌象特征分割

根据伊朗传统医学和其他整体医学（如中医）的原则，我们提取并记录对CAD至关重要的建议特征。这些包括舌苔、裂纹、湿润度、红点和齿痕。舌苔与其他特征的获取方式不同。

舌苔检测

为了检测舌苔，我们在CIELAB色彩空间中处理图像。我们关注"A"通道，它代表像素的红色（红色强度减去绿色强度）。使用定义为以下的移位截断(ST)模块对该通道进行去噪：

$$ST(x;{\text{ }}a,{\text{ }}b) = {\text{ }}\left{ {\begin{array}{*{20}c} b & {x < a} \ x & {otherwise} \ \end{array} } \right.$$

参数(a, b) = (145,119)。

然后应用Otsu阈值分割以隔离主要区域。此掩码的逆向突出显示红色强度低的区域，然后乘以"B"通道以识别红色强度低且黄色强度高的区域。再次使用ST ($x$; 120, 0)对该结果进行去噪。最后，通过舌掩码过滤输出，仅检测舌头表面的区域，如图6所示。

图6

舌苔定量分析程序。该图说明了提取舌苔的计算过程。在CIELAB色彩空间中测量的舌头上红色强度低且黄色色调高的区域被算法识别为舌苔。舌苔的强度和厚度基于这些像素与整体舌色的对比进行量化，为该特征提供客观指标。

检测其他舌象特征

对于其他特征，我们利用机器学习技术开发能够执行舌象像素级分割的模型。为此，我们需要一组标注的舌象训练集。我们使用Label Studio库为每个特征组织掩码标注项目，标注由医学专家完成。共标注了450张舌象并用于训练我们的特征提取模型。此外，使用由普通人群的12,000张舌象组成的数据库来训练AI模型识别特定变量，包括齿痕、红点、裂纹和湿润水平。这些图像由伊朗医学专家仔细审查，导致为每个变量选择并标记至少200张代表性图像，以确保训练过程的精确性。对于分割，我们实现DeepLabV3 +模型。我们为每个四种特征训练单独的模型。训练过程采用焦点二元交叉熵损失作为目标函数，定义为：

$$\sum_{i}{\left(1-f{\left(x\right)}{i}\right)}^{\gamma\ }{y}{i}log\left(f{\left(x\right)}{i}\right)+f{\left(x\right)}{i}^{\gamma\ }\left(1-{y}{i\ }\right)log\left(1-f{\left(x\right)}{i}\right)$$

图7展示了提取特征的示例。

图7

计算提取舌象特征的可视化。该图提供了从四个示例舌象中由AI流程提取的关键特征的视觉表示。在每一行中，面板从左到右显示：(1)原始舌象，(2)计算检测的裂纹，(3)湿润度强度，(4)识别的红点，(5)舌苔的视觉图。此可视化展示了我们的模型客观量化和映射关键生物标志物的能力。

我们的最终目标是开发一个能够准确检测LAD、LCX和RCA动脉闭塞程度的模型。闭塞分为三个级别："无/轻度"(低)、"中度"(中)和"重度/闭塞"(高)。对于每条动脉，我们训练单独的模型。我们使用DINOv2模型架构，一种基于ViT的深度神经网络，用作计算机视觉中的基础模型。我们将模型的分类头替换为两层全连接神经网络，隐藏层大小为512，并在我们收集和标注的数据集上微调整个模型。我们进行了多次实验，采用不同的多通道配置，结合各种提取的舌象特征和RGB舌象。这些实验涉及将修改后的DINOv2模型与不同多通道输入一起使用，如图4所示。对于每条动脉，我们在3类分类任务中训练模型。使用加权交叉熵损失训练模型。当不同类别中的数据样本分布不均匀时，即数据集中存在类别不平衡时，使用加权交叉熵。模型的二元分类输出旨在区分患者检查中观察到的两类心脏血管闭塞：表明严重闭塞的和无严重闭塞的。对于模型训练，我们留出150张图像用于测试，100张用于验证，655张用于训练。对于S-HVO检测，我们也使用焦点：

$$l{\text{ }}\left( {f\left( {x_{i} } \right),{\text{ }}y} \right) = :\left( {1 - f\left( x \right){i} } \right)^{{\gamma :}} y{i} \log \left( {f\left( x \right){i} } \right) + f\left( x \right){i}^{{\gamma :}} \left( {1 - y_{i\ }} \right)\log \left( {1 - f\left( x \right)_{i} } \right)$$

DINOv2是一种基于自监督学习训练的深度神经网络，其中模型在大量无监督图像数据上训练。这增强了DINO模型的表示能力，使其成为训练小型图像数据集的有力工具。DINOv2中ViT架构的基于补丁的全局表示使其成为小型数据集中复杂结构和模式的有力选择。此外，DINOv2展示了强大的领域转移能力，非常适合我们的场景，其中人类舌头的图像在公共图像数据集中相对罕见。DeepLabV3 +也特别适合在小型数据集上微调。该模型的精确边界恢复和强大能力使其适合复杂的分割任务。DeepLabV3 +不仅保持空间分辨率，还利用空洞（膨胀）卷积使用大感受野，同时控制内存使用。该模型中的多尺度特征融合使其能够识别不同尺度的模式和实体。SAM是图像分割的基础模型，通常比用于训练大多数分割数据集的CNN模型大得多。这种大规模的模型在大量数据集（例如SA-1B包含10亿分割掩码和110亿图像）上有效训练，非常适合零样本推理。我们利用预训练的SAM模型直接准确地识别受试者面部中的舌区，无需训练或额外数据集。SAM的基于提示的结构使我们能够为自己的上下文和应用专门化分割任务。通过使用适当的提示，SAM强大的分布外分割能力使面部中舌区的准确检测成为可能。此外，SAM与对象无关，主要基于图像中的视觉一致性进行分割，而非语义实体。

结果

在获得知情同意后，在统一条件下捕获了参与本研究的所有患者的舌象。此外，获取了他们的冠状动脉造影结果。参与者的总体特征详见表1。

该研究确定了常见的心脏症状，包括胸痛(72.9%)、左肩/背部疼痛(73.7%)、左臂麻木或疼痛(18.1%)、上腹痛(7.9%)和下颌/颈部疼痛(2.3%)。还报告了多个疼痛部位和额外症状，如双臂疼痛、静息时刺痛、胸闷以及撕裂或冻结感。

主要描述的疼痛是胸压或烧灼感，其次是刺痛、沉重感、刺痛感和电击感。此外，57.8%的人经历了运动性呼吸困难，25.9%的人在胸痛时有呼吸急促，5%的人在静息时呼吸困难。

相当大比例的患者具有与心血管疾病相关的风险因素。患者中代谢疾病和其他风险因素的患病率总结在表2中。

血管造影结果和研究参与者的结果

参与者的血管造影发现总结如下：

冠状动脉状态(CAS)：总共120名患者(13.2%)表现出完全开放的冠状动脉，甚至没有轻度狭窄的证据。
左主冠状动脉(LMCA)狭窄：48名患者的LMCA观察到狭窄，包括30名轻度狭窄、9名中度狭窄和9名重度狭窄。
主要冠状动脉狭窄：在三条主要冠状动脉中，左前降支动脉(LAD)观察到的狭窄患病率最高，其次是右冠状动脉(RCA)，然后是左回旋支动脉(LCX)。

冠状动脉狭窄的严重程度见表3。

冠状动脉最严重受影响的部位主要位于每条血管的中段。

在治疗结果方面，最常见的干预是PCI，对51.2%的患者进行了治疗。其次是药物治疗，用于40.8%的病例，冠状动脉旁路移植术(CABG)手术在6.5%的患者中进行。

我们将专家对舌形、颜色、牙印、裂纹、舌苔和湿润水平的视觉评估与血管造影测量的冠状动脉闭塞进行了比较。未观察到统计学显著关联(p > 0.05)。

人工智能分析结果

我们将患者的面部和舌象用作人工智能分析的输入。AI设备的目标是预测三条主要冠状动脉（LAD、RCA和LCX）中每条动脉的狭窄程度，将狭窄分为三个程度：

无闭塞或轻度狭窄(0%至49%)。
中度狭窄：(50%至69%)
重度狭窄(70%至99%)或完全闭塞。

我们在450张专家标注的舌裂纹图像上获得了以下分割性能指标：Dice系数为0.84，交并比(IoU)得分为0.70，精确度为0.81，召回率为0.83。这些值表明裂纹提取具有高分割准确性和可靠性。

考虑评估的舌象特征，AI对每条动脉的预测准确性见表4。

在我们的分析中，舌苔被视为与舌色不同的独立变量。AI模型不需要传统的机器学习方法来识别此变量；相反，它使用先进的图像处理技术进行训练。

对于舌苔评估，考虑了三个参数：面积、颜色和厚度。舌苔的最终测量值计算为这三个因素的乘积，从而解释了舌苔每个方面对总体评估的影响。

为了确定哪些舌区对预测冠状动脉狭窄贡献最大，我们将舌头表面分为九个不同区域。利用在LCX狭窄预测中表现出最高预测准确性的RGB + F指标，我们通过系统地一次移除一个区域来评估每个区域对预测模型的影响。图8。

我们的研究结果表明，移除任何舌区都会导致所有冠状分支的预测准确性下降。LCX最明显的下降发生在排除舌头右侧三分之一时，突显了该区域对模型性能的关键贡献。同样，RCA准确性在右侧三分之一被排除时下降最明显，而LAD准确性在中间三分之一被排除时下降最明显。表5以LCX为例说明了预测准确性的定量降低。

表6展示了舌象特征、相应区域与冠状动脉狭窄预测之间的特定相关性。

为了评估临床效用，我们按狭窄严重程度——轻度、中度和重度/闭塞——对LAD、LCX和RCA的模型性能进行分层，生成混淆矩阵（图9）以进行每个严重程度级别的细致敏感性分析。

LCX、RCA和LAD三条主要冠状动脉的模型对轻度/中度/重度狭窄的敏感性为：

LCX：84.2% / 75.0% / 71.0%
RCA：71.3% / 68.9% / 81.0%
LAD：69.4% / 68.0% / 57.7%

这证实了模型对疾病严重程度的分层能力，突显了其作为筛查工具的价值。

基于舌变量预测患者结果

通过使用人工智能设备分析舌变量来预测患者结果。鉴于98.8%的患者结果分为三类：药物治疗、经皮冠状动脉介入治疗(PCI)和冠状动脉旁路移植(CABG)。我们特别计算了这些类别的结果。表8概述了基于人工智能设备分析的不同舌象特征组合对患者结果的预测准确性。

讨论

本研究的结果强调了舌象检查作为评估CVD的非侵入性和可获取诊断工具的潜力。利用人工智能分析各种舌象特征，如大小、颜色、裂纹、舌苔和湿润水平，为患者的潜在健康提供了宝贵见解，特别是对有CAD风险的个体。我们的结果表明，特定舌象特征可作为CVD的可靠指标，支持先前研究中记录的舌象形态与系统性疾病之间的关联。这些发现支持进一步研究将舌象检查整合到常规临床实践中的可能性，作为心血管评估的补充、非侵入性方法。

本研究还调查了舌症状与三条主要冠状动脉（LAD、LCX和RCA）狭窄之间的关系。利用AI，我们开发了一种快速、非侵入性方法，准确预测这些动脉的狭窄，为狭窄严重程度提供了新的定量评估。在初步比较中，单个传统医学专家对舌象特征的视觉评估与任何冠状动脉的血管造影狭窄或深度学习模型的预测均无统计学显著相关性（p > 0.05）。传统舌诊因主观性和可重复性差而受限，因为专家评估的特征与CAD无显著相关性。我们的AI驱动方法通过直接从图像中提取客观、可量化的指标（如CIELAB颜色值和裂纹宽度测量）来克服这一问题。这种向计算分析的转变代表了非侵入性诊断的重大进步。

我们对AI驱动的舌象模型在三条主要冠状动脉上的表现进行了按严重程度分层评估，使用混淆矩阵和敏感性指标。LCX预测对轻度(84.2%)和中度(75.0%)狭窄最敏感，突显了其作为早期筛查工具的价值。RCA敏感性在重度/闭塞病变中达到81.0%，突显了其在紧急分诊中的潜力。LAD表现对中度狭窄(68.0%)最高，有助于风险分层。这种超越总体准确性的细致分析展示了模型的差异优势，并支持舌象分析作为检测CAD和评估其严重程度的非侵入性方法。

本研究的一个关键发现是模型对三条主要冠状动脉分支的预测性能存在差异。虽然模型对LCX狭窄表现出较高的准确性，但其对LAD和RCA的表现相对较低。我们假设这种差异可能归因于在舌头上表现的解剖和病理变化。与LCX狭窄相关的视觉生物标志物，如舌中央体的变化和明显的裂纹，可能在患者队列中更明显或更一致，使AI更容易学习。相比之下，与LAD和RCA相关的特征可能更微妙或复杂，需要更大更多样化的数据集才能完全捕捉。这一观察强调了进一步研究以更好理解舌头与动脉之间复杂关系的必要性。

模型准确性因动脉而异，LCX和LAD狭窄最准确地使用裂纹(F)和舌色(RGB)进行预测，突显这些是关键预测因子。相比之下，RCA狭窄需要更广泛的特征集——裂纹、舌苔、红点和湿润度——表明其与更广泛的舌异常相关。

我们的研究独特地绘制了舌区以预测特定动脉狭窄。舌头右侧三分之一的特征最强烈地预测LCX和RCA狭窄，而中间三分之一是LAD狭窄的主要预测因子。这种区域相关性提供了对诊断结果更局部化的临床解释。

本研究展示了特定舌区与冠状动脉狭窄之间存在显著的统计学关联，这与传统中医和伊朗医学长期断言的映射相呼应。与整体舌象分析相比，关注舌象的不同三分之一提高了CAD诊断模型的准确性。对于未来研究，通过成像和组织学研究探索潜在的生理机制可以建立因果关系。整合高光谱舌象成像并在更大、更多样化的队列中验证研究结果将增强这些区域特异性诊断标志物的临床效用。

确定受影响血管的具体部位和闭塞程度对于及时干预至关重要。值得注意的是，这是首次应用AI增强舌象检查来预测患者结果，突显了其指导紧急临床决策的潜力。据我们所知，本研究是首次通过传统诊断框架检查CAD诊断，此前没有达成共识的量表或标准。因此，我们独立报告了AI模型的性能，并强调未来工作需要开发标准化的专家评分指南和多中心数据集，以进行稳健的比较验证。

最近的一项研究探索了舌象作为高血压患者CAD预测指标的用途。他们的结果表明，舌象特征可作为CAD诊断的宝贵生物标志物，在具有高血压相关风险因素的患者中达到76.0%的预测准确性。这与支持舌象分析作为心血管风险评估中非侵入性诊断工具潜力的越来越多的证据相一致。然而，我们的研究不仅预测了三条主要冠状动脉中每条动脉的狭窄程度和严重程度，还预测了患者结果，与参考研究相比实现了更高的准确性。

在我们的人工智能应用中，我们结合了先进的图像处理技术和深度学习方法。图像处理用于检测和量化特定舌象特征，包括舌苔面积、厚度和颜色。同时，深度学习算法分析各种特征，包括颜色变化、裂纹、湿润水平、齿痕和红点，提供舌象形态的综合评估。我们的研究结果表明，舌色和舌裂纹的存在是冠状动脉狭窄的最重要预测因子。

几项研究证实了舌色在预测冠状动脉狭窄严重程度方面的重要性。这些研究表明，舌色可作为评估血管阻塞程度和严重性的可靠指标。此外，舌色的关键作用在诊断和评估心血管疾病进展方面得到了强调。这些发现与我们自己的研究结果一致，并强调了可观察舌象特征在预测和评估血管健康方面的重要性。

裂纹舌主要见于成人，10岁以下儿童很少见，与上皮下炎症和白细胞浸润有关。它是炎症状态的潜在指标。在中医中，这种情况与心脏活动过度和血液耗竭相关。裂纹舌与炎症过程和血管异常密切相关，这些是冠状动脉疾病发展的重要因素。

本研究的优势包括能够预测三条主要冠状动脉中每条动脉的狭窄严重程度，并基于舌象的人工智能分析预测患者结果。此外，我们的研究结果表明，舌象右侧三分之一的症状与冠状动脉狭窄有更强的相关性。据我们所知，此前尚未有相关报道。

本研究的一个局限性是参与者的平均年龄为57.9岁，年轻个体被排除在外。这可能会限制研究结果对更广泛年龄组的普遍适用性。此外，本研究中使用的图像是在没有自然光的受控环境中使用高性能设备捕获的。未来研究应旨在分析在不同环境和照明条件下使用标准相机拍摄的图像，以建立可接受的成像标准。尽管利用大型辅助数据集缓解了数据限制，但我们主要的临床队列(n = 906)仍然有限。未来研究应在更大、更多样化、多中心的数据集上验证模型性能，以确保普遍适用性。此外，尽管自监督预训练解决了数据稀缺问题，但其对普通人群图像的依赖可能会引入需要进一步研究的偏差。

尽管我们的模型表现出稳健的性能，特别是对LCX狭窄，但我们认识到单中心研究的固有限制。因此，我们强调在大型、独立且地理上多样化的患者队列上进行外部验证是确认我们发现并为该技术的临床应用铺平道路的关键下一步。

尽管我们的研究代表了AI在舌象成像中的新颖应用，但其意义最好在更广泛的非传统心血管诊断背景下理解。最近的进展已证明AI在分析各种非侵入性数据源以评估CAD风险方面的巨大潜力。例如，AI算法在解释心电图(ECG)以预测心脏状况方面显示出高准确性。相比之下，其他人已成功利用胸部X光片和视网膜图像来估计心血管风险。这些方法通过利用人眼看不见的微妙模式，正在彻底改变早期检测领域。

尽管这些方法前景广阔，但我们的基于舌象的方法提供了几个独特优势。与AI-ECG和其他数字健康工具不同，我们的方法依赖于不受电气噪声或患者运动影响的视觉生物标志物。它也比胸部X光片或视网膜成像更具可访问性和成本效益，使其成为大规模筛查的高度可扩展解决方案，特别是在初级保健和偏远地区。舌头对全身健康的综合表征提供了一套与其它方式不同的补充生物标志物，为CAD的早期检测和风险分层提供了新颖且有希望的途径。

虽然本研究调查了舌象诊断对CAD的潜在益处，但未来研究需要在更大、更多样化的群体中验证和完善我们的诊断模型。我们预计该领域的进一步研究将导致开发能够在各种环境中通过数字相机捕获舌象的软件。该软件旨在为影响内脏器官的疾病的早期检测和监测提供客观的基于图像的生物标志物。

【全文结束】