提高口腔状细胞癌的早期检测:一种深度学习方法,使用LRT增强的EfficientNet-B3进行准确和有效的组织病理学诊断
A A Abd El-Aziz1, Mahmood A Mahmood1, Sameh Abd El-Ghany1
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|July 12, 2025
概括
一个新的深度学习模型从组织病理图像中准确地识别口腔状细胞癌 (OSCC),为这种流行癌症提供了更快,更可靠的诊断工具.
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:
- 口腔癌,特别是口腔状细胞癌 (OSCC),是一个全球显著和日益增长的健康问题.
- 目前的诊断依赖于组织病理学图像 (HIs),这些图像耗时,昂贵,需要专家解释.
- 手动诊断中的不一致性需要自动化解决方案,以改善早期检测和治疗.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型,用于从组织病理图像中自动识别OSCC.
- 提高口腔癌检测的诊断准确性和效率.
主要方法:
- 使用EfficientNet-B3深度学习架构进行OSCC分类.
- 实现学习速度调整 (LRT) 以优化训练期间的模型性能.
- 在多种癌症数据集上训练并验证了模型,特别关注口腔瘤子集.
主要成果:
- 在口腔瘤数据集上实现了高诊断性能,准确率为99.84%,特异性为99.92%.
- 在各种指标上表现出强的表现,表明强大的分类能力.
- DL模型有效地从组织病理图像中识别了OSCC.
结论:
- 开发的DL模型显示了简化口腔癌诊断的巨大潜力.
- 这种自动化方法可以降低诊断成本和周转时间.
- 这些发现表明,通过提升早期检测和治疗规划,改善了患者的治疗结果.
