提高口腔状细胞癌的检测:一种使用改进的EfficientNet架构的新方法
Aradhana Soni1, Prabira Kumar Sethy2, Amit Kumar Dewangan1
1Department of Information Technology, Guru Ghasidas Vishwavidyalaya, Bilaspur, India.
BMC oral health
|May 23, 2024
概括
这项研究开发了一种先进的深度学习模型,用于从组织病理学图像中自动早期诊断口腔癌. 改进的EfficientNetB0模型显示出高准确度,有助于快速检测口腔状细胞癌.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 口腔状细胞癌 (OSCC) 是全球流行的一种癌症,需要早期诊断才能有效治疗.
- 口腔层和膜的结构完整性丧失是OSCC的一个关键特征.
- 当前的诊断方法需要及时和准确的检测,以改善患者的治疗结果.
研究的目的:
- 通过对组织病理学图像的深度学习,自动化口腔癌的早期诊断.
- 利用先进的深度学习模型来准确分类口腔活检图像.
- 为了促进口腔状细胞癌的快速和精确检测.
主要方法:
- 使用深度学习卷积神经网络 (CNN) 模型对良性和恶性口腔活检图像进行分类.
- 评估了17个预训练的DL-CNN模型,确定了EfficientNetB0作为优秀的模型.
- 通过整合双重关注网络 (DAN),进一步增强了EfficientNetB0模型.
主要成果:
- 改进的EfficientNetB0模型实现了高性能指标:91.1%的准确性,92.2%的灵敏性和91.0%的特异性.
- 该模型显示了低的假阳性率 (1.12%) 和高的F1得分 (92.3%).
- 开发的模型在口腔癌检测方面表现优于现有的最先进的方法.
结论:
- 深度学习,特别是增强的EfficientNetB0与DAN,显示了自动化早期口腔癌诊断的重大前景.
- 这种方法通过口腔组织病理学图像分析来促进早期检测.
- 这项进展有可能提高口腔癌治疗策略的疗效.
