Modelos DCNN con capacidad de interpretación post-hoc para la detección automatizada de la glositis y el CCSO en la lengua
Contact us if these videos are not relevant.
Contact us if these videos are not relevant.
Ver abstracta en PubMed
Resumen
Este resumen es generado por máquina.Los modelos de red neuronal convolucional profunda (DCNN) clasifican con precisión las afecciones de la lengua como la glositis y el carcinoma de células escamosas orales (OSCC) a partir de fotografías. Estas herramientas de IA son prometedoras para la detección temprana y la telemedicina, mejorando el acceso a la atención médica oral.
Área De La Ciencia
- Imágenes médicas y inteligencia artificial
- Patología computacional
- Salud digital y telemedicina
Sus Antecedentes
- El diagnóstico automatizado de las afecciones de la lengua es crucial para la detección y el tratamiento tempranos.
- Las redes neuronales convolucionales profundas (DCNNs) ofrecen potencial para el análisis de imágenes clínicas.
- Se necesitan métodos de interpretabilidad para comprender las decisiones de diagnóstico de la IA en la atención médica.
Objetivo Del Estudio
- Desarrollar y evaluar modelos DCNN para clasificar la glositis y el carcinoma de células escamosas orales (OSCC) a partir de fotografías de la lengua.
- Incorporar la visualización Grad-CAM para la interpretabilidad del modelo.
- Evaluar el potencial de estos modelos de IA para las aplicaciones de detección temprana y telemedicina.
Principales Métodos
- Ajuste fino de cuatro arquitecturas DCNN preentrenadas (VGG16, VGG19, ResNet50, ResNet152) utilizando el aprendizaje de transferencia en 652 imágenes de lenguaje.
- Utilizando el Grad-CAM y el análisis de escasez para la interpretabilidad del modelo.
- Evaluación del rendimiento diagnóstico utilizando AUROC, con análisis de subgrupos por edad, sexo y segmentación de imágenes.
Principales Resultados
- Los modelos DCNN demostraron un rendimiento robusto en la clasificación de la glositis y el CCSO.
- El conjunto de VGG16 y VGG19 logró el AUROC más alto (0,8731) para la glositis.
- Se observó un rendimiento casi perfecto (AUROC=1.0000) para la detección de CCSO con VGG19 y ResNet152.
- El rendimiento fue consistente en todos los grupos de edad y sexo, con una clasificación de imagen completa que superó la segmentación por parche.
Conclusiones
- Los modelos DCNN con Grad-CAM proporcionan una clasificación interpretable y precisa de las condiciones de la lengua.
- Estas herramientas de diagnóstico basadas en IA muestran un potencial significativo para la evaluación remota de la salud bucal.
- El estudio apoya el uso de la IA en el diagnóstico de la lengua para la detección temprana y el acceso expandido a la atención médica.
Contact us Si estos videos no son relevantes.
Contact us Si estos videos no son relevantes.
Videos de Conceptos Relacionados
A thorough mouth assessment, including inspection and palpation of the lips, gums, tongue, tonsils, uvula, and pharynx, is crucial in detecting potential health issues. Diseases ranging from oral cancer to systemic conditions like diabetes could be identified early through careful oral examination. This article provides a detailed guide on conducting a comprehensive mouth assessment.
Mouth Inspection
The inspection begins with visually examining the mouth for symmetry, color, and size.
The surface of the tongue is covered with various small bumps called papillae, which either distribute what has been ingested (filiform papillae) or contain the sensory taste (or gustatory) receptor cells (fungiform, circumvallate, and foliate papillae). Embedded within each taste-related papilla are the taste buds—clusters of 30 to 100 gustatory receptor cells.
Gustatory receptor cells extend finger-like projections called gustatory hairs (or microvilli) into a region known as the taste...