Deep Learning-Based Tongue Pathology Detection: Mapping Fine-Grained Computer Vision Features to Ayurvedic Diagnostic Heuristics

Resumen Técnico: Detección de Patologías Linguales Basada en Aprendizaje Profundo

Planteamiento del Problema
La medicina ayurvédica tradicional se basa en el examen de la lengua para clasificar a los individuos en tipos constitucionales (doshas: Vata, Pitta, Kapha) y proporcionar recomendaciones de bienestar personalizadas. Sin embargo, esta evaluación depende actualmente de la experiencia del profesional, la experiencia visual y la interpretación subjetiva, lo que genera variabilidad y una reproducibilidad limitada. Si bien los avances recientes en inteligencia artificial (IA) y visión computacional han transformado el análisis de imágenes médicas, los estudios existentes en el diagnóstico de la lengua se centran principalmente en la clasificación de enfermedades dentro de la Medicina Tradicional China (MTC) o dependen en gran medida de evaluaciones basadas en cuestionarios. Existe una notable escasez de sistemas ligeros y aptos para dispositivos móviles que integren la detección de rasgos linguales finos con la evaluación constitucional ayurvédica mediante inferencia en el dispositivo. Además, desafíos como la escasez de conjuntos de datos de referencia públicos, los protocolos de anotación inconsistentes y la falta de metodologías de evaluación estandarizadas dificultan el desarrollo de sistemas robustos e interpretables para este dominio.

Metodología
El artículo propone "Jihwa", un marco de IA de borde (edge-AI) ligero y móvil diseñado para el análisis no invasivo de rasgos linguales y la evaluación de bienestar ayurvédica basada en reglas. La arquitectura del sistema consta de tres capas principales:

1. Capa de Percepción (Visión Computacional):

   • Modelo: El sistema emplea un modelo de detección de objetos YOLO11n, elegido por su equilibrio entre precisión y eficiencia computacional, adecuado para el despliegue en dispositivos móviles.
   • Entrenamiento: El modelo fue entrenado mediante aprendizaje por transferencia (transfer learning) utilizando el conjunto de datos TMC-Tongue, que contiene 6,719 imágenes anotadas en 20 categorías de rasgos linguales (incluyendo el color del cuerpo de la lengua, la saburra, fisuras, marcas de dientes, hinchazón e indicadores de zonas de órganos).
   • Preprocesamiento: Las imágenes se redimensionaron a 640×640 píxeles. Se aplicaron técnicas de aumento de datos (escalado, traslación, volteo horizontal y transformaciones de HSV controladas) para mejorar la robustez preservando al mismo tiempo los patrones de color clínicamente significativos.
   • Inferencia: El modelo entrenado se convierte al formato TensorFlow Lite, lo que permite la inferencia en tiempo real y en el dispositivo sin transmitir las imágenes a servidores externos. El modelo genera cuadros delimitadores (bounding boxes), etiquetas de clase y puntuaciones de confianza, que se refinan mediante umbrales de confianza y Supresión de No Máximos (NMS).

2. Capa de Interpretación (Fusión Multimodal):

   • Cuestionario: Los usuarios completan una autoevaluación de 22 preguntas que cubren rasgos fisiológicos y conductuales (digestión, sueño, energía, etc.), los cuales se mapean a puntuaciones de Vata, Pitta y Kapha.
   • Mecanismo de Fusión: El marco utiliza una estrategia de fusión ponderada y transparente basada en reglas. Los rasgos visuales extraídos por el modelo YOLO11n contribuyen en un 60% a la evaluación final, mientras que las respuestas del cuestionario contribuyen en un 40%.
   • Puntuación: Los rasgos linguales detectados se asignan pesos ayurvédicos basados en heurísticas diagnósticas predefinidas. La puntuación visual ($S_{visual}$) se calcula sumando el producto de los pesos de los rasgos y las puntuaciones de confianza. Esto se combina con la puntuación normalizada del cuestionario ($S_{questionnaire}$) mediante la fórmula: $S_{final} = 0.6S_{visual} + 0.4S_{questionnaire}$.
   • Clasificación: Las puntuaciones fusionadas se normalizan para generar valores basados en porcentajes para los tres doshas. El sistema identifica una constitución dominante o una constitución mixta (por ejemplo, Vata-Pitta) basándose en umbrales de puntuación, admitiendo siete tipos de constitución distintos.

3. Capa de Recomendación:

   • Basándose en la constitución identificada, el sistema genera recomendaciones de bienestar personalizadas, incluyendo orientación dietética, estrategias de hidratación y un plan de estilo de vida de ocho semanas por etapas. Todas las recomendaciones se generan en el dispositivo para preservar la privacidad del usuario.

Contribuciones Clave

• Integración de Modalidades: El artículo presenta un marco unificado que combina la detección de rasgos linguales finos con el razonamiento estructurado basado en cuestionarios, una combinación rara vez encontrada en las aplicaciones de salud de IA de borde existentes.
• Implementación de IA de Borde: A diferencia de los enfoques basados en la nube, el sistema ejecuta el modelo YOLO11n enteramente en el dispositivo móvil del usuario, lo que garantiza baja latencia, privacidad de datos e independencia de la conectividad a Internet.
• Interpretabilidad: El marco distingue entre el componente de aprendizaje automático (detección de rasgos) y la interpretación de bienestar basada en reglas. Esta transparencia permite un mapeo claro de los rasgos visuales hacia las heurísticas ayurvédicas, evitando la naturaleza de "caja negra" del diagnóstico de aprendizaje profundo de extremo a extremo.
• Utilización de Conjuntos de Datos: El trabajo aprovecha el conjunto de datos TMC-Tongue para entrenar un detector capaz de identificar 20 características linguales específicas, abordando la brecha en la detección de rasgos finos para contextos ayurvédicos.

Resultados Experimentales
El modelo YOLO11n fue entrenado durante 150 épocas en el conjunto de datos TMC-Tongue. El rendimiento se evaluó utilizando métricas estándar de detección de objetos en un conjunto de prueba reservado:

• Precisión (Precision): 0.424
• Sensibilidad (Recall): 0.318
• mAP@50: 0.293
• mAP@50-95: 0.232

Los resultados indican que el modelo aprendió con éxito características linguales discriminativas. El análisis de la matriz de confusión reveló que la mayoría de las clases exhibieron una fuerte dominancia diagonal, ocurriendo las clasificaciones erróneas principalmente entre rasgos visualmente similares (por ejemplo, patrones específicos de saburra o fisuras). Las curvas de entrenamiento demostraron una convergencia estable, con pérdidas decrecientes y métricas mejorando a lo largo de las épocas. La curva F1-confianza identificó una región de umbral óptima donde se equilibraron la precisión y la sensibilidad.

Significancia y Reivindicaciones
El autor posiciona este trabajo no como un reemplazo de la pericia clínica, sino como una herramienta para el monitoreo de bienestar accesible y personalizado. La significancia del artículo radica en la demostración de un marco transparente y computacionalmente eficiente que une las heurísticas diagnósticas de la medicina ayurvédica tradicional con el aprendizaje profundo moderno. Al separar claramente la detección de aprendizaje automático validada de la interpretación basada en reglas, el estudio proporciona una base para futuras investigaciones en la intersección de la IA de borde, la salud digital y la medicina tradicional computacional. El autor afirma que este enfoque ofrece una solución práctica para superar la subjetividad del diagnóstico de la lengua tradicional, manteniendo al mismo tiempo la privacidad y la accesibilidad requeridas para las aplicaciones de salud cotidianas.