基于人工智能的口腔白血病诊断使用深层卷积神经网络Xception和MobileNet-v2
Elakya Ramesh1, Anuradha Ganesan1, Krithika Chandrasekar Lakshmi1
1Department of Oral Medicine and Radiology, SRM Dental College, Chennai, Tamil Nadu, India.
Frontiers in oral health
|April 7, 2025
概括
人工智能 (AI) 模型,特别是卷积神经网络 (CNN),准确诊断了口腔白血病 (OL) 和其他口腔白色病变. 移动Net-v2模型在区分这些条件方面表现出卓越的性能.
科学领域:
- 口腔病理学 口腔病理学
- 医学成像医学成像
- 医疗保健中的人工智能
背景情况:
- 口腔白血病 (OL) 是一种潜在的恶性疾病,需要准确的诊断.
- 区分OL与其他口腔白色病变对于适当的患者管理至关重要.
- 临床照片是损伤评估的常见工具,但客观分析可能具有挑战性.
研究的目的:
- 评估和比较两个人工智能 (AI) 卷积神经网络 (CNN) 模型的诊断性能,Xception和MobileNet-v2.2.
- 评估这些AI模型在诊断口腔白血病 (OL) 的能力.
- 确定人工智能模型区分OL临床类型与口腔其他白色病变的能力.
主要方法:
- 编制了659张临床照片的数据集,其中包括202张口腔白血病的图像和457张其他白色病变的图像.
- "其他白色病变"子组包括诸如摩擦性角质炎,口腔角质炎和口腔平坦等疾病.
- 卷积神经网络 (CNN) 模型 (Xception和MobileNet-v2) 使用图像数据集进行训练和验证,其性能指标包括准确性,精度,回忆和F1分数.
主要成果:
- 从临床照片中,Xception和MobileNet-v2 CNN模型都成功诊断出口腔白血病 (OL) 和其他白色病变.
- 与Xception模型相比,MobileNet-v2模型表现出更高的性能,特别是在F1得分和整体准确性方面.
- 该研究在CNN模型中实现了89%至92%的诊断准确率.
结论:
- 人工智能驱动的CNN模型是诊断口腔白血病 (OL) 的有效工具.
- 这些模型在区分OL及其亚型与口腔中的其他白色病变方面表现出显著的能力.
- 这些发现表明,人工智能,特别是MobileNet-v2,有望提高口腔病变诊断的准确性和效率.
