基于人工智能的视觉转换器应用程序,用于分级口腔上皮质发育不良的组织病理图像:迈向人工智能驱动的诊断的一步
Mahdi Hadilou1, Nazanin Mahdavi2, Elham Keykha3
1Research Center for Prevention of Oral and Dental Diseases, Baqiyatallah University of Medical Sciences, Tehran, Iran.
BMC cancer
|April 25, 2025
概括
视觉转换器 (ViT) 人工智能模型准确地分类了口腔上皮质发育不良,表现优于卷积神经网络. 这种深度学习方法有助于病理学家检测和分类口腔病变.
科学领域:
- 口腔病理学 口腔病理学
- 数字病理学数字病理学
- 人工智能在医学中的应用
背景情况:
- 口腔上皮质质变形的分类对于早期癌症检测至关重要.
- 世界卫生组织和二进制分级系统是评估发育不良症严重程度的标准.
- 深度学习算法为在基因病理学中的自动图像分析提供了潜在的潜力.
研究的目的:
- 通过视觉变换器 (ViT) 模型来分类失塑性和健康的口腔上皮质组织病理图像.
- 为了比较ViT与卷积神经网络 (CNN) 模型 (VGG16,ConvNet) 的性能.
- 评估AI在分级口腔上皮质发育不良症中的实用性.
主要方法:
- 从档案和在线数据库收集了218张本病理学图像.
- 图像被两个口腔病理学家独立标记,使用WHO和二进制分级系统.
- 预处理的图像使用ViT,VGG16和ConvNet模型进行分析.
主要成果:
- 视觉变压器 (ViT) 模型在3类场景中实现了94%的准确性,在4类场景中达到97%.
- 在两种分类场景中,ViT的表现都超过了VGG16 (86%/79%) 和ConvNet (88%/88%).
- 广泛的图像预处理导致成千上万的分类组织贴片跨风险和严重程度的水平.
结论:
- ViT模型在分类口腔上皮质质变形症方面表现出高准确度.
- 人工智能,特别是ViT,可以作为病理学家的有效辅助或独立工具.
- 这项技术有望改善口腔上皮质发育不良的检测和分类.
