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

技術要約：ディープラーニングを用いた舌の病理検出

問題提起
伝統的なアーユルヴェーダ医学は、舌の観察を通じて個人を構成型（ドーシャ：ヴァータ、ピッタ、カパ）に分類し、パーソナライズされたウェルネス推奨事項を提供することに依存している。しかし、この評価は現在、実践者の専門知識、視覚的経験、および主観的な解釈に依存しており、変動性と再現性の低さを招いている。近年の人工知能（AI）とコンピュータビジョンの進歩は医療画像解析を変革してきたが、既存の舌診断に関する研究は、主に中医学（TCM）における疾患分類に焦 heavy か、あるいは質問票ベースの評価に大きく依存している。微細な舌の特徴検出と、デバイス上での推論を用いたアーユルヴェーダの構成型評価を統合した、軽量でモバイルフレンドリーなシステムは著しく不足している。さらに、限定的な公開ベンチマークデータセット、一貫性のないアノテーションプロトコル、および標準化された評価手法の欠如が、この領域における堅牢で解釈可能なシステムの開発を阻害している。

手法
本論文では、非侵襲的な舌の特徴分析とルールベースのアーユルヴェーダ・ウェルネス評価のために設計された、軽量なエッジAIモバイルフレームワーク「Jihwa」を提案する。システムアーキテクチャは、主に以下の3つの層で構成される。

1. 知覚層（コンピュータビジョン）：

   • モデル： システムはYOLO11n物体検出モデルを採用している。これは、モバイル展開に適した精度と計算効率のバランスを考慮して選択された。
   • 学習： モデルは、20種類の舌の特徴カテゴリ（舌体色、苔、亀裂、歯痕、腫脹、臓器ゾーン指標を含む）にわたる6,719枚のアノテーション済み画像を含むTMC-Tongueデータセットを用いて、転移学習により学習された。
   • 前処理： 画像は640×640ピクセルにリサイズされた。臨床的に意味のある色彩パターンを保持しつつ、堅牢性を高めるために、データ拡張技術（スケーリング、平行移動、水平反転、および制御されたHSV変換）が適用された。
   • 推論： 学習済みモデルはTensorFlow Lite形式に変換され、外部サーバーに画像を送信することなく、リアルタイムのデバイス上推論を可能にしている。モデルはバウンディングボックス、クラスラベル、および信頼度スコアを出力し、これらは信頼度閾値と非最大値抑制（NMS）を用いて精緻化される。

2. 解釈層（マルチモーダル・フュージョン）：

   • 質問票： ユーザーは、生理学的および行動的特性（消化、睡眠、エネルギーなど）をカバーする22問の自己評価を完了し、それらはヴァータ、ピッタ、カパのスコアへとマッピングされる。
   • 融合メカニズム： フレームワークは、透明性の高いルールベースの加重融合戦略を利用する。YOLO11nモデルによって抽出された視覚的特徴は最終的な評価に**60%寄与し、質問票の回答は40%**寄与する。
   • スコアリング： 検出された舌の特徴には、定義済みの診断ヒューリスティックに基づきアーユルヴェーダ的な重みが割り当てられる。視覚的スコア（$S_{visual}$）は、特徴の重みと信頼度スコアの積を合計することで算出される。これは、正規化された質問票スコア（$S_{questionnaire}$）と以下の式を用いて結合される：$S_{final} = 0.6S_{visual} + 0.4S_{questionnaire}$。
   • 分類： 融合されたスコアは、パーセンテージベースの値に正規化され、3つのドーシャを生成する。システムは、スコアの閾値に基づいて、支配的な構成型または混合構成型（例：ヴァータ・ピッタ）を特定し、7つの異なる構成型をサポートする。

3. 推奨層：

   • 特定された構成型に基づき、システムは食事のガイダンス、水分補給戦略、および8週間の段階的なライフスタイルプランを含む、パーソナライズされたウェルネス推奨事項を生成する。すべての推奨事項は、ユーザーのプライバシーを保護するためにデバイス上で生成される。

主な貢献

• モダリティの統合： 本論文は、微細な舌の特徴の物体検出と、構造化された質問票ベースの推論を組み合わせた統一されたフレームワークを提示しており、これは既存のエッジAIヘルスケアアプリケーションでは稀な組み合わせである。
• エッジAIの実装： クラウドベースのアプローチとは異なり、システムはYOLO11nモデルを完全にユーザーのモバイルデバイス上で実行するため、低レイテンシ、データプライバシー、およびインターネット接続からの独立性を確保している。
• 解釈可能性： フレームワークは、機械学習コンポーネント（特徴検出）とルールベースのウェルネス解釈を明確に区別している。この透明性により、視覚的特徴からアーユルヴェーダのヒューリスティックへの明確なマッピングが可能となり、エンドツーエンドのディープラーニング診断が持つ「ブラックボックス」的な性質を回避している。
• データセットの活用： 本研究は、アーユルヴェーダの文脈における微細な特徴検出のギャップに対処するため、20の特定の舌の特徴を識別できる検出器の学習にTMC-Tongueデータセットを活用している。

実験結果
YOLO11nモデルは、TMC-Tongueデータセットを用いて150エポック学習された。性能は、ホールドアウトテストセットを用いた標準的な物体検出指標を用いて評価された：

• 適合率（Precision）： 0.424
• 再現率（Recall）： 0.318
• mAP@50： 0.293
• mAP@50-95： 0.232

結果は、モデルが判別的な舌の特徴を正常に学習したことを示している。混同行列の分析により、ほとんどのクラスが強い対角優位性を示しており、誤分類は主に視覚的に類似した特徴（例：特定の苔や亀裂のパターン）の間で発生していることが明らかになった。学習曲線は、損失が減少し、指標がエポックごとに向上するという安定した収束を示した。F1-信頼度曲線は、適合率と再現率のバランスが取れた最適な閾値領域を特定した。

意義と主張
著者は、本研究を臨床的専門知識に代わるものではなく、アクセシブルでパーソナライズされたウェルネスモニタリングのためのツールとして位置づけている。本論文の意義は、伝統的なアーユルヴェーダの診断ヒューリスティックと現代のディープラーニングを橋渡しする、透明かつ計算効率の高いフレームワークを実証したことにある。検証済みの機械学習による検出とルールベースの解釈を明確に分離することで、本研究は、エッジAI、デジタルヘルス、および計算伝統医学の交差点における将来の研究への基礎を提供する。著者は、このアプローチが、日常的なヘルスケアアプリケーションに求められるプライバシーとアクセシビリティを維持しながら、伝統的な舌診断の主観性を克服するための実用的な解決策を提供すると主張している。