Un estudio comparativo de modelos de clasificación de una sola etapa y de dos etapas para OPMD

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Oncología

Sus antecedentes:

• El diagnóstico temprano de los trastornos potencialmente malignos orales (OPMD) y el cáncer oral es fundamental para reducir la mortalidad.
• Los conjuntos de datos públicos existentes para enfermedades de la mucosa oral son limitados en tamaño y cobertura de enfermedades.
• El aprendizaje profundo muestra una gran promesa para mejorar el reconocimiento y diagnóstico de imágenes orales.

Objetivo del estudio:

• Abordar las limitaciones en los conjuntos de datos actuales de enfermedades de la mucosa oral.
• Desarrollar y evaluar un novedoso enfoque de multiclasificación de dos etapas para el análisis de imágenes orales.
• Comparar el rendimiento de los modelos de clasificación de dos etapas frente a los de una sola etapa.

Principales métodos:

• Se creó y publicó un conjunto de datos de alta calidad de 1348 imágenes de enfermedades de la mucosa oral.
• Se entrenaron diez modelos de aprendizaje profundo preentrenados utilizando vías de clasificación de una sola etapa y de dos etapas.
• Se evaluó el rendimiento del modelo utilizando precisión, exactitud, exhaustividad, puntuación F1 y AUC.

Principales resultados:

• El modelo de dos etapas Swin Transformer y DenseNet-169 logró una precisión de 0.9029 y un AUC de 0.9735.
• El mejor modelo de una sola etapa (EfficientNet-B0) logró una precisión de 0.8710 y un AUC de 0.9766.
• El modelo de dos etapas demostró un rendimiento superior a los modelos de una sola etapa.

Conclusiones:

• Se estableció un conjunto de datos público de alta calidad de 1348 imágenes de enfermedades de la mucosa oral.
• Se propuso un novedoso modelo de clasificación de dos etapas que integra Swin Transformer y DenseNet-169.
• El modelo propuesto de dos etapas superó a los modelos convencionales de una sola etapa en métricas clave de rendimiento.