ブログ

Jan 09, 2024

非信頼性

Rapporti scientifici Volume 13,

Scientific Reports volume 13、記事番号: 1334 (2023) この記事を引用

884 アクセス

2 オルトメトリック

メトリクスの詳細

シェーグレン症候群 (SS) は、口渇を特徴とする自己免疫疾患です。 SS の原因は不明であり、その症状は多様であるため診断が困難です。 SSの主な診断方法として口腔内検査であるサクソンテストが用いられていますが、唾液感染のリスクが問題となっています。 そこで、舌表面を非接触で画像観察することでSSを診断できる可能性を検討しています。 本研究では、舌の特徴とSSの関係を明らかにするために、鶴見大学歯学部外来患者60名の舌写真を採取した。 舌を4つの領域に分割し、各領域の色をCIE1976L*a*b*空間に変換して統計解析しました。 舌の色を用いた SS 診断の可能性を実験的に明らかにするために、ロジスティック回帰、サポート ベクター マシン、ランダム フォレストの 3 つの機械学習モデルを使用しました。 さらに、Bagging and Stacking 法と 3 つの機械学習モデルを組み合わせた診断予測モデルを構築し、比較評価しました。 この分析では、主成分分析による次元圧縮を使用して、舌の色情報の冗長性を排除しました。 SS 患者と非 SS 患者の舌後部の a* 値と舌中央部の b* 値の間に有意な差があることがわかりました。 舌の色の主成分スコアに加えて、サポート ベクター マシンは年齢を使用してトレーニングされ、高い精度 (71.3%) と特異性 (78.1%) を達成しました。 この結果は、舌の色による SS 診断の予測が、サク​​ソンテストを使用してトレーニングされた機械学習モデルと同等のレベルに達していることを示しています。 これは、機械学習を使用して非接触の舌観察による SS 診断を予測する最初の研究です。 私たちが提案した方法は、診断時の感染リスクを排除し、SSの早期検出を簡単かつ便利にサポートできる可能性があり、臨床現場で検証および最適化される必要があります。

シェーグレン症候群 (SS) は、口渇と目の乾燥を特徴とする自己免疫疾患です。 免疫異常、女性ホルモンの分泌、遺伝などが複雑に関係して起こると考えられていますが、その原因はさまざまです。 しかし、この病気の正確な原因はまだ解明されていません。 SS の診断には複数の臨床検査が使用されています。 一般的に使用される口腔検査の 1 つであるサクソン テストでは、唾液を定量的に観察して口腔の乾燥状態を判断します。 しかし、近年、唾液中に新型コロナウイルスが存在するため、口腔状態を評価するための唾液検査の実施が困難になっています。 したがって、口腔状態を客観的に評価する方法を開発する必要がある。

SS の最も一般的な症状には、口渇、舌の痛み、舌の亀裂、口腔カンジダ症による舌の変色などがあります1。 さらに、ダーモスコピー研究により、舌表面の構造および色の外観の違いが、SS2 の診断における重要なマーカーである可能性があることが明らかになりました。 色、光沢、形状などの舌の特徴は、他のいくつかの病気の診断に臨床的に重要な診断の手がかりを提供します3、4。

最近の研究では、いくつかのバイオインフォマティクス ツール 5、6 および舌画像分析用アプリケーションの開発における機械学習手法の有望な可能性が報告されています 7。 病気の診断のための画像装置の使用は、簡単かつ迅速なアプローチであり、さまざまな病気のスクリーニング検査として適切である可能性があります。 以前の研究で、我々は舌の色に基づいたコンピューター支援舌診断に使用できる舌画像解析システム (TIAS) を開発しました8,9。 TIASの舌撮影法の最大の特徴は、積分球を利用することで外光の影響を排除し、均一な光強度を実現することにあります。 さらに、TIASは画像から舌表面の光沢を除去し、舌表面の色や舌苔を安定させることができます。

客観的な情報から SS の診断を予測する研究は非常にまれです。 Jesper et al.10 は、定期的に記録されたプライマリケアデータに基づいて SS 患者を分類しました。 機械学習に LR モデルと RF モデルを使用したところ、LR モデルの精度がそれぞれ 0.82、RF モデルの精度が 0.84 であることがわかりました。 LRモデルやRFモデルは高い予測精度を実現しましたが、日常的に記録されたプライマリケアデータを入力情報として使用するため、即時医療には適用できず、適用できる患者が限定されます。

本研究では、TIAS によって得られた舌画像の機械学習分類による SS 診断の可能性を検討しました。 この結果をSSの診断基準であるサクソンテストの分類結果と比較し、本研究で提案した方法が新型コロナウイルス感染症パンデミック下でのSS診断の代替方法として使用できるかどうかを検討した。

TIASは舌を撮影するための撮影装置であり、舌表面の状態を記録するための拡散光源を備えています。 本研究で使用したTIASは、被験者の顔を固定するための顎当てと額当てから構成されています。 舌の画像を撮影するために、まず、カラーチェッカーを使用してカメラと光源を調整しました。 カメラと光源のキャリブレーションに使用したカラー チェッカーは、X-Rite Color Checker (以前はマンセルとして知られていました) でした。 カラーチェッカーの既知の24色を撮影し、重回帰分析によりカメラのRGB色空間からXYZ色空間への変換行列を作成します。 L*a*b*色空間への変換は、CIEで定められた変換式を使用します。 その後、患者の舌を毎秒 10 回、20 秒間撮影し、合計 200 枚の画像 (1024*1280 ピクセル) を取得しました。 オペレーターは 200 枚の画像の中から、舌を出した直後の完全に露出した画像を 1 枚選択して分析しました。 最後に、重回帰法を用いてカラーチャートから推定した変換行列に基づいて、撮影したRGB舌画像をCIE1976L*a*b*に変換した。 CIE1976L*a*b* 色空間はデバイスに依存せず、各値の変化量は刺激と人間の視覚の間の変化量に相当します。 今回使用したTIASの画像を図1に示します。

舌画像解析システム（TIAS）の画像。 今回使用したTIASには、被験者の顔を固定するための顎当てと額当てが装備されていました。

毎回同じ領域の舌の色を取得するために、舌の輪郭に沿って 5 つの点を手動で決定して舌の形状を定義しました。 続いて、舌の 4 つの領域 (1) 舌端、(2) 舌後部、(3) 舌中央、および (4) 舌尖の 4 つの領域が一定の比率で定義されました。 定義された領域は半径 10 ピクセルの円であり、各領域の平均色が推定されました。

図 2 にエリアの定義を示します。 画像にあるように、舌頂点（領域1）には舌苔がほとんどなく、この部分の色は舌本体の色と似ています。 対照的に、他の 3 つの領域 (領域 2 ～ 4) の舌の色は、舌苔の色と舌本体の色が混合したものでした。 舌を複数の領域に分割するこの方法は、伝統的に舌の診断に使用されています。

エリアの定義。 (1) 赤は舌の端に対応し、(2) 緑は舌の後部に対応し、(3) 青は舌の中央に対応し、(4) オレンジは舌の頂点に対応します。

統計分析データは、数値または平均±標準偏差 (SD) で表されます。 連続変数には Student の t 検定と Mann–Whitney 検定を使用しました。 すべての統計分析は、機械学習ライブラリである scikit-learn を使用して実行されました。

舌の色を使用して SS を診断できる可能性を実験的に明らかにするために、データセットから舌の色に関する情報を抽出し、機械学習分類器を学習しました。 最初の検証では、ロジスティック回帰 (LR)、サポート ベクター マシン (SVM)11、およびランダム フォレスト (RF)12 の 3 つのよく知られたアルゴリズムが選択されました。 LR は最も古い分類アルゴリズムであり、非線形シグモイド関数を使用します。これにより、しきい値に基づく線形分類と比較して、画像を若干複雑にクラスに分割できます。 SVM の分類はカーネル法を使用するため、LR よりも非線形です (図 3 を参照)。 対照的に、RF は単純な条件分岐に基づいて複数の弱分類器を学習し、それらを組み合わせて高性能の分類を実現します (図 4 を参照)。 さらに、これらのアルゴリズムを組み合わせたアンサンブル学習の効果を検討するために、図 5 に示すバギング法とスタッキング法の使用を試みました。図 5a のバギング法では、3 つの SVM モデルを使用して SS を予測します。舌の色、性別、年齢の主成分得点をそれぞれ入力し、3つのモデルの予測結果から多数決により最終的な予測結果を算出します。 図 5b のスタッキング方法では、1 つの SVM モデル、1 つの RF モデル、および 1 つの LR モデルが使用されます。 まず、SVM モデルは、舌の色、性別、年齢の主成分スコアを入力として SS の予測を出力します。 次に、RF モデルも舌の色、性別、年齢の主成分スコアを入力して SS の予測を出力し、LR モデルは SVM モデルと RF モデルの予測を入力して最終的な予測を計算します。

SVM 分類の基礎。

RF 分類の基礎。

機械学習アルゴリズムのアンサンブル。 (a) バギング: 特徴ごとにいくつかの分類子をトレーニングし、ソフト投票によって結果を結合します。 (b) スタッキング: 複数の弱分類器からの予測を使用してモデルをトレーニングします。

各パラメーターはグリッド検索を使用して最適化され、モデルは層別 5 分割相互検証を使用して検証されました。 各アルゴリズムのハイパーパラメータの探索範囲を表 1 に示します。検証では、まずクラスの割合を揃えてデータセットを 5 つのフォールドに分割し、そのうちの 1 つを検証に使用し、残りの 4 つを検証に使用しました。モデルのトレーニングに使用されました。 データは、各フォールドのスコアを平均することによって評価されました。 分割の偏りを減らすために、相互検証を 10 回繰り返すことによって平均スコアが計算されました。

モデルに入力された特徴は、平均と SD がそれぞれ 0 と 1 になるようにスケーリングされました。 次に、主成分分析による次元圧縮を適用して、分散の小さい重要でない特徴を除外し、情報を集約しました。 トレーニング サンプルから主成分ベクトルが計算され、12 個の測定された色値 (4 つの領域での L*、a*、b* 値) が 1 番目から 3 番目の主成分ベクトルに投影されることで 3 つの主成分スコアに変換されます。 この主成分スコアは、機械学習の入力特徴として使用されます。 最後に、トレーニング データセットの不均衡を解消するために、SMOTE13 を使用してトレーニング パイプライン内のトレーニング ケースをランダムにオーバーサンプリングしました。

この研究は鶴見大学歯学部倫理委員会の承認を受けており（承認番号244、2004年8月19日、承認番号521、2008年3月21日）、すべての研究は倫理委員会のガイドラインに従って実施された。 すべての患者は書面によるインフォームドコンセントを提出しました。

表 2 に示すすべてのヒトサンプルは、鶴見大学歯学部の外来診療所で診察されたものです。 SS 患者には、嚥下困難、味覚障害、舌の灼熱感など、口渇の典型的な症状がありました。 刺激値が 2 g/2 分未満のサンプルは、サクソンテストによって口渇と診断されました。 厚生労働省が提唱する基準に基づいて診断されました。 これらの患者は、この検査の前少なくとも 6 か月間、グルココルチコイドまたは免疫抑制剤の投与を受けていませんでした。 次に、サンプルを 2 つの異なるサブグループに分けました。サクソンテストが 2 g/2 分未満の SS グループ、サクソンテストが 2 g/2 分以上の非 SS の正常な健康な個人です。

SS と舌の色の関係を定量的に調べるために、まず、4 つの領域の CIE1976 L*a*b* 値を統計的に分析しました。 表 3 に示すように、領域 2 の a* 値 (p < 0.05) と領域 3 の b* 値 (p < 0.05) には統計的に有意な差があります。 a* 値は緑と赤の成分を表し、緑に向かう負の値と赤に向かう正の値を持ちます。 また、図6に示すように、SS患者の舌後部の色は、非SS患者の舌後部の色よりも赤みがかっていた。 これまでの研究 2,14 では、口渇による SS 患者の舌の炎症により、舌全体の色調が赤く変化することが示唆されています。 SS 患者の舌後部の a* 値が有意に高かったため、この仮説はこの研究の結果と一致しています。 さらに、中央領域の b* 値には有意な差があり、これは舌苔に起因すると考えられます。 これは、口渇のある患者は、口腔内細菌の増殖により舌に厚いコーティングができていることが多いためです。

SS 患者の舌と非 SS 患者の舌の比較。 (a) a1-4 および (b) b1-4 は、図 2 で定義された各舌領域の a* および b* を示します。

まず、PCAを舌の色に適用し、計算された主成分（PC）の累積寄与率を図7aに示します。 １台目のＰＣ（ＰＣ１）、２台目のＰＣ（ＰＣ２）、３台目のＰＣ（ＰＣ３）の寄与率は、それぞれ３７．８％、２４．９％、１７．６％であった。 したがって、PC3 では累積寄与率が 80.3% に増加しました。 12 の色値の PC1 と PC2 の因子負荷量の分布を図 7b に示します。ここで、L、a、および b は L*、a*、および b* 値を表し、数字は舌領域を表します (1:エッジ、2:後部、3:中央、4:頂点)。 PC1 は a* および L* 値を表し、PC2 は b* 値を表します。これにより、PC1 と PC2 からの高い累積寄与 (62.7%) が得られました。 また、各 L*a*b* 値は領域に関係なくほぼ同等に扱われました。 ただし、領域 2 の L*a*b* 値は、他の領域に比べて相対的に高いか低いと考えられます。 これは、領域 2 として示される舌後部が舌苔で覆われている傾向があり、他の領域とは異なるという事実に起因すると考えられます。

舌の色の主成分分析 (PCA) の結果。 (a) 主成分（PC）の累積寄与率。 (b) 12 の色値の第 1 および第 2 主成分の因子負荷量の分布が示されています。ここで、L、a、および b は L*、a*、および b* 値を表し、数字は舌領域を表します (1 :エッジ、2:後部、3:中央、4:頂点)。

データを評価するために、LR、SVM、RF をトレーニングして比較しました。 各クラスの数がアンバランスな場合、受信機の動作特性や精度の面積を評価に使用することは望ましくないため、本研究では、各クラスの学習結果を平均した精度-再現率曲線下の面積(AP)を使用しました。各相互検証 (mAP)。 結果を表 4 に示します。3 つの分類アルゴリズムの中で、SVM が最高のパフォーマンスを示し、感度の点で平均的に高い精度を示しました。 対照的に、LR は最も低い特異性を示しました。これは、すべてのケースを陽性として予測し、入力特徴をクラスに関連付けることができなかったという事実に起因すると考えられます。 SVM はすべての特徴において RF を上回っており、SS の予測により適していることを示しています。 また、分類器を組み合わせた効果を調査するために、アンサンブル学習の一種であるスタッキングとバギングも評価しました。 それでも、パフォーマンスは SVM ほど良くありませんでした。 この研究で提案された方法は、舌の色の PC に加えて患者の年齢と性別について SVM をトレーニングした場合、高い精度 (71.3%) と特異度 (78.1%) を達成しました。 次元削減により、この方法のパフォーマンスが効果的に向上しました。

RGB から L*a*b* 値への色変換の精度は、キャリブレーションに使用した 24 色とは異なり、舌や皮膚に似た 128 色のサンプルを使用して二乗平均平方根誤差 (RMSE) を計算することで検証されました。色。 結果は、L*、a*、および b* の誤差がそれぞれ 5.5、2.1、および 3.9 であることを示しました。 表 3 の各色値の標準偏差と比較すると、L* および a* 色変換誤差はデータセットの変動より小さい一方、b* 誤差はデータセットの変動より大きいことがわかりました。 b*色変換の精度向上が今後の課題である。

この研究で使用されたデータセットのサイズは小さい (60) ため、深層学習などの複雑なモデルの代わりに、LR、SVM、RF などの古典的な機械学習モデルが使用されました。 結果は、訓練データから分離されたテストデータも高い予測性能を示したため、過学習が発生していないことがわかりました。

本研究では、舌とSSの関係を明らかにするために、SS患者の舌の画像を取得し解析した。 舌の色を抽出し、漢方医学に基づいて4つの領域に分けてCIE1976L*a*b*空間に変換しました。 その結果、SS 患者と非 SS 患者の舌後部の a* 値と舌中央の b* 値に統計的に有意な差があることが明らかになりました。 これは、SS患者では舌の炎症と舌苔の増加により舌の外観が変化したことを示唆しています。 SS と舌の関係をさらに調査するために、舌の色に基づいて SS を診断する機械学習分類器をトレーニングしました。 この実験では、PCA を使用して最高のスコアが得られ、その結果、SS、次に RF、最後に LR を予測するのに最も適した分類アルゴリズムは SVM であることが明らかになりました。 LR のパフォーマンスが最も低いのは特異性が著しく低いためであり、LR はすべてのケースで陽性の結果を出力しました。 これは、入力データの特徴をネガティブ クラスに関連付けることができないことが原因である可能性があります。 一方、RF は高次元の入力データを使用する分類タスクに有利であると考えられています。 ただし、本研究で使用した入力データは次元圧縮前は 12 次元、次元圧縮後は 3 次元であり、入力データの次元数はそれほど高くありませんでした。 図 7a に示すように、累積寄与率は 9 次元まで 99% です。 したがって、RFの特性を活かすことができなかったと考えられる。 この研究ではデータセットのサイズは制限されていましたが、PCA と少数のデータに強い SVM を使用した次元削減を組み合わせることでパフォーマンスが向上しました。 さらに、患者の年齢を重ねると、この方法の診断性能はサクソンテストを使用して訓練された分類器と同等のレベルまでさらに向上しましたが、性別情報の有効性は、情報が不足しているため評価できませんでした。陽性症例の男性患者。 関連する研究 10 では、AUC = 0.84 という高い予測性能が示されています。 この研究では AUC を計算できず、mAP 値と比較しましたが、研究 10 の予測性能はこの研究よりも高いと考えられます。 しかし、関連研究では定期的に記録されたプライマリケアデータが必要であるのに対し、この研究で提案された方法は非常にシンプルで、必要なのは舌の写真1枚と年齢情報だけです。 本研究は健康診断や集団スクリーニング検査など様々な場面に応用可能であり、広くSS患者の早期発見に貢献できる唯一の手法であると考えられる。 この研究で使用された統計的および機械学習的手法により、SS 患者の舌の外観に変化があることが明らかになり、SS の臨床診断における有望な可能性が示されました。

報告書 15 では、シェーグレン症候群には顕著な性比があり、患者の 90% 以上が女性であることが示されています。 したがって、性別は SS を予測する上で重要な特徴であると考えられます。 この研究の SS 陽性データセットには男性のデータが含まれていないという事実は、機械学習モデルの予測精度の評価におけるバイアスに関する懸念を引き起こします。 この点については、今後データセットを拡張して検証する必要がある。 さらに、陽性者の数は陰性者の数の半分未満です。 つまり、一般的に、事例が多いクラスに出力が偏る傾向があります。 ただし、この研究では、陰性の症例が多数あるにもかかわらず、陽性の検出感度は非常に高くなっています。 したがって、データの不均衡による影響は小さいです。 この点については、今後症例数を増やしてさらに検討していきたいと考えております。

今後の研究では、口渇患者のグループにおいて SS 患者と非 SS 患者を区別できる可能性を調査する予定です。 さらに、症例数を増やし、その結果を私たちの方法の結果と比較することで、畳み込みニューラル ネットワークなどのより複雑なモデルをトレーニングできるように大学や診療所に働きかける予定です。

現在の研究中に生成されたデータセット、および/または現在の研究中に分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

Soto-Rojas、AE、Villa、AR、Sifuentes-Osornio、J.、Alarcón-Segovia、D. & Kraus、A. シェーグレン症候群患者における口腔症状。 J リウマトール。 25(5)、906–910 (1998)。

CAS Google スカラー

前田 M. シェーグレン症候群患者における舌の糸状乳頭のダーモスコピー パターン。 Ｊ．Ｄｅｒｍａｔｏｌ． 33(2)、96–102。 https://doi.org/10.1111/j.1346-8138.2006.00020.x (2006)。

記事 Google Scholar

開沼正史ほか他覚的舌の色と内視鏡所見との関連性：九州・沖縄個体群調査（KOPS）の結果。 BMC準拠オルターン。 医学。 15、372。https://doi.org/10.1186/s12906-015-0904-0 (2015)。

記事 Google Scholar

大治 哲 ほかファンズワース・マンセル100色相検査と舌色画像を用いた漢方医による舌色診断に関わる因子の研究。 証拠に基づく補完オルターン。 医学。 2014、783102。https://doi.org/10.1155/2014/783102 (2014)。

記事 Google Scholar

ハサン、MM 他。 NeuroPred-FRL: 特徴表現学習を使用して神経ペプチドを識別するための解釈可能な予測モデル。 簡単なバイオインフォーム。 22(6)、bbab167。 https://doi.org/10.1093/bib/bbab167 (2021)。

記事 CAS Google Scholar

ハサン、MM 他。 HLPpred-Fuse: 複数の特徴表現を融合することにより、溶血ペプチドとその活性の改良された堅牢な予測が可能になりました。 バイオインフォマティクス 36(11)、3350–3356。 https://doi.org/10.1093/bioinformatics/btaa160 (2020)。

記事 CAS Google Scholar

Ma, J.、Wen, G.、Wang, C. & Jiang, L. 舌体質認識のための複雑性知覚分類法。 アーティフ。 知性。 医学。 96、123–133。 https://doi.org/10.1016/j.artmed.2019.03.008 (2019)。

記事 Google Scholar

中口達也 ほか舌診断を支援する新たな非接触舌水分測定法の提案と、舌の光沢成分を分離記録できる舌画像解析システムの開発。 バイオメッド。 解像度内部。 2015、249609。https://doi.org/10.1155/2015/249609 (2015)。

記事 Google Scholar

山本 晋 ほか漢方医学における舌診断の基準となる舌の色の時間的変化。 フォルシュ・コンプリメントメッド。 19(2)、80-85。 https://doi.org/10.1159/000338516 (2012)。

記事 Google Scholar

ドロス、JT 他。 プライマリケアにおける原発性シェーグレン症候群の検出: 日常的な医療データと機械学習を使用して分類モデルを開発します。 BMCプリム。 お手入れ。 23(1)、199。 https://doi.org/10.1186/s12875-022-01804-w (2022)。

記事 Google Scholar

Cortes, C. & Vapnik, V. サポートベクター ネットワーク。 マッハ。 学ぶ。 20、273–297 (1995)。

記事 MATH Google Scholar

ブライマン、L. ランダムフォレスト。 マッハ。 学ぶ。 45、5-32。 https://doi.org/10.1023/A:1010933404324 (2001)。

記事 MATH Google Scholar

Chawla 、NV 、Bowyer 、KW 、Hall 、LO & Kegelmeyer 、WP SMOTE: 合成少数派オーバーサンプリング手法。 J.アーティフ。 知性。 解像度 16、321–357 (2002)。

記事 MATH Google Scholar

Błochowiak, K. et al. 一次および二次シェーグレン症候群および口渇症候群における口腔粘膜症状。 ポステピー。 ダーマトール。 アレルゴル。 33(1)、23–27 (2016)。

記事 Google Scholar

Whitacre, C. 自己免疫疾患における性差。 ナット。 イムノール。 2、777–780。 https://doi.org/10.1038/ni0901-777 (2001)。

記事 CAS Google Scholar

リファレンスをダウンロードする

千葉大学大学院自然科学研究科（千葉県）

Keigo Noguchi

鶴見大学歯学部病理学教室

Ichiro Saito

千葉大学大学院医学系研究科漢方医学講座

Takao Namiki

中京大学工学部（名古屋）

Yuichiro Yoshimura

千葉大学フロンティア医工学センター

Toshiya Nakaguchi

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

KN と TN はこの研究のアイデアを思いつきました。 KN と YY は統計分析計画を策定し、統計分析を実施しました。 IS と TN は結果の解釈に貢献しました。 TN がオリジナルの原稿を起草しました。 TN はこの研究の実施を監督しました。 著者全員が原稿草稿をレビューし、知的内容に関して批判的に改訂しました。 著者全員が原稿の最終版の出版を承認しました。

Correspondence to Toshiya Nakaguchi.

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

野口和也、斉藤一、並木隆 他機械学習手法を用いたシェーグレン症候群の非接触舌診断の信頼性。 Sci Rep 13、1334 (2023)。 https://doi.org/10.1038/s41598-023-27764-4

引用をダウンロード

受信日: 2022 年 8 月 8 日

受理日: 2023 年 1 月 6 日

公開日: 2023 年 1 月 24 日

DOI: https://doi.org/10.1038/s41598-023-27764-4

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。