机器学习与临床医生对口腔粘膜病变的检测和分类进行对比
Julia Schwärzler1, Ekaterina Tolstaya2, Antonin Tichy3
1Clinic for Conservative Dentistry, Periodontology and Digital Dentistry, LMU University Hospital, LMU Munich, Goethestraße 70, 80336 Munich, Germany; Topic Group Oral Health, ITU/WHO/WIPO Global Initiative on Artificial Intelligence for Health, CH-1211 Geneva 20, Switzerland.
Journal of dentistry
|July 22, 2025
概括
一个用于口腔病变分类的深度学习模型的表现与口腔外科专家相提并论,并且表现优于一般牙医. 这种人工智能工具对早期诊断和改善患者检测口腔粘膜病变的结果有希望.
科学领域:
- 口服药是一种口服药.
- 医疗保健中的人工智能
- 医学成像分析分析 医学成像分析
背景情况:
- 口腔粘膜病变由于异质性而存在诊断挑战.
- 区分良性病变和潜在恶性病变对于患者管理至关重要.
- 深度学习为客观的损伤分类提供了一个潜在的解决方案.
研究的目的:
- 评估深度学习模型在分类11种口腔粘膜病变方面的表现.
- 为了比较模型的诊断准确度与一般牙医和口腔外科专家.
主要方法:
- 使用了4079张口内照片的数据集,其中有11个损伤类别.
- 实现了YOLOv8计算机视觉模型用于对象检测和分类.
- 用F1分数,AUROC和AP等指标评估模型性能,并与人类专家评估进行比较.
主要成果:
- 该模型在与人类乳头瘤病毒 (HPV) 相关的病变方面取得了高性能 (F1分数=0.80,AUROC=0.96).
- 对象检测在与HPV相关的病变 (AP25=0.82) 和增殖性白血病中最强.
- 深度学习模型的表现相当于口腔外科专家 (p=0.93) 的表现,并且明显优于普通牙医 (p<0.01).
结论:
- 开发的深度学习模型展示了与口腔外科专家相提并论的性能.
- 这种人工智能工具有可能有助于临床评估口腔病变.
- 可以加强潜在恶性疾病的早期诊断,改善患者管理和预后.
