使用卷积神经网络框架对口腔潜在恶性疾病和口腔状细胞癌的自动分类:一个横截面研究
Cristina Saldivia-Siracusa1, Eduardo Santos Carlos de Souza2, Arnaldo Vitor Barros da Silva3
1Departamento de Diagnóstico Oral, Faculdade de Odontologia de Piracicaba, Universidade Estadual de Campinas, Piracicaba, São Paulo, Brazil.
Lancet regional health. Americas
|June 16, 2025
概括
深度学习模型准确地从临床图像中分类口腔潜在恶性疾病和口腔状细胞癌. 这些人工智能工具有望改善医疗保健中的诊断援助.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 口腔潜在恶性疾病 (OPMD) 和口腔状细胞癌 (OSCC) 需要准确和及时的诊断.
- 对OPMD和OSCC进行临床图像分析可能具有挑战性.
- 人工智能 (AI) 提供了自动诊断支持的潜力.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于对OPMD和OSCC的临床图像进行分类.
- 使用梯度加权类激活映射 (Grad-CAM) 探索这些DL模型的可解释性.
- 评估人工智能在协助口腔癌诊断临床决策方面的潜力.
主要方法:
- 使用了778张OPMD和OSCC临床图像的数据集.
- 转移学习策略应用于训练前的8个卷积神经网络 (CNN).
- 模型性能使用包括准确性,精度,回忆,特异性,F1得分和AUROC在内的指标进行评估,Grad-CAM用于解释性.
主要成果:
- ConvNeXt和MobileNet CNNs在分类口腔病变方面表现出卓越的表现.
- 转移学习显著改善了模型性能,最佳模型实现了高精度 (0.799) 和AUROC (0.863).
- 格拉德-CAM分析揭示了对模型决策的洞察力,尽管发现了性能和可解释性之间的差异.
结论:
- 在临床图像中,DL模型,特别是ConvNeXt和MobileNet,可以准确地区分OSCC和OPMD.
- 在这种情况下,Grad-CAM是解释DL模型性能的一个有价值的工具.
- 这些发现支持将人工智能驱动的诊断辅助工具整合到口腔癌检测的临床实践中.
