通过个性化转移学习改善了口腔癌的分类 CNN架构 CNN架构
Udita J Monani1, Tae Soo Yun2, Mangal Sain3
1School of Computer Engineering, Kalinga Institute of Industrial Technology, Bhubaneswar, 751024, Odisha, India.
Journal of oral biology and craniofacial research
|October 29, 2025
概括
这项研究开发了一个使用卷积神经网络 (CNN) 进行可靠口腔癌检测的深度学习系统. 人工智能模型显示了改善早期癌症诊断和临床工作流程的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 口腔癌对全球健康构成重大威胁,需要及早检测以改善患者的治疗结果.
- 目前的诊断方法可能是有限的,强调了先进的检测技术的需要.
- 深度学习有可能提高癌症诊断的准确性和效率.
研究的目的:
- 开发和评估一个强大的机器学习系统,用于早期检测口腔癌.
- 利用卷积神经网络 (CNN) 和转移学习来提高诊断准确性.
- 解决口腔癌检测模型中小型数据集和阶级不平衡的挑战.
主要方法:
- 利用卷积神经网络 (CNN) 与转移学习相结合,用于特征提取和分类.
- 实现了连续的完全连接层 (FC1用于特征嵌入,FC2用于分类).
- 使用合成少数群体过量采样技术 (SMOTE),数据增强和预处理解决了类不平衡;使用准确度,精度,回忆,F1得分和ROC-AUC来评估性能.
主要成果:
- 该模型在测试数据集上获得了81.48%的F1分数,81.38%的准确性,84.62%的精度,78.57%的回忆率和0.9082的ROC-AUC.
- 在训练中取得了卓越的表现,准确率为96.94%,F1分数为97.04%.
- 验证包括混矩阵和ROC-AUC分析,尽管没有进行外部验证.
结论:
- 人工智能,特别是深度学习,可以显著影响早期癌症检测的临床工作流程.
- 开发的AI系统展示了一种有前途的方法,用于推进自动化癌症诊断.
- 这项研究支持AI在改善口腔癌检测率和患者存活率方面的潜力.
