使用深度学习检测和分类口腔上皮质失生症在口腔白血病
Jiakuan Peng1,2, Ziang Xu1, Hongxia Dan1
1State Key Laboratory of Oral Diseases, National Clinical Research Center for Oral Diseases, Research Unit of Oral Carcinogenesis and Management, Chinese Academy of Medical Sciences, West China Hospital of Stomatology, Sichuan University, Chengdu, Sichuan, China.
BMC oral health
|April 9, 2024
概括
一个新的系统,E-MOD-plus,利用人工智能从整张幻灯片图像中客观地检测和评分口腔上皮质发育不良. 这种人工智能工具旨在提高口腔病理学家诊断口腔白血病的准确性和效率.
科学领域:
- 口腔病理学 口腔病理学
- 数字病理学数字病理学
- 医学中的人工智能
背景情况:
- 口腔上皮质质变形症的分级是主观的,并为病理学家耗费大量时间.
- 当前诊断口腔上皮质发育不良的诊断方法中缺乏可复制性.
- 需要一个客观和准确的系统来分析口腔白血病.
研究的目的:
- 开发一个客观,准确和有用的检测和分类系统,用于口腔上皮质发育不良.
- 使用全幻灯片成像用于口腔白血病的综合分析.
- 为协助口腔病理学家建立一个人工智能驱动的工具.
主要方法:
- 四个卷积神经网络 (CNN) 在56个整片口腔白血病图像的图像补丁上进行比较.
- 训练和验证特征检测模型使用1000个图像补丁与最佳CNN (EfficientNet-B0).
- 通过将特征检测模型与多类物流模型集成,开发E-MOD-plus.
主要成果:
- EfficientNet-B0被确定为功能检测的最佳网络.
- 在内部全幻灯片图像上,E-MOD-plus实现了81.3%的预测准确度 (AUC 0.793).
- 在外部组织微阵列图像上,E-MOD-plus显示出86.5%的预测准确度 (AUC 0.669).
结论:
- E-MOD-plus提供了客观和准确的病理特征在口腔上皮质发育不良的检测.
- 该系统显示出有潜力在临床实践中显著帮助口腔病理学家.
- 用人工智能驱动的口腔表皮质变形症分级提供了更好的诊断一致性和效率.
