口腔疾病检测和分类的两步管道:一种深度学习方法
Anna Luíza Damaceno Araújo1, Arnaldo Vitor Barros da Silva2, Ana Rita Marega Gonçalves3
1Head and Neck Surgery Department and LIM 28, University of São Paulo Medical School, São Paulo, São Paulo, Brazil.
Frontiers in oral health
|November 12, 2025
概括
这项研究开发了一种使用对象检测和分类来早期诊断口腔疾病的AI管道. 人工智能在识别口腔潜在恶性疾病和口腔状细胞癌方面取得了很高的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 早期检测口腔疾病,包括口腔潜在恶性疾病 (OPMD) 和口腔状细胞癌 (OSCC),对于改善患者的治疗结果至关重要.
- 当前的诊断方法可能是主观的,耗时的,这凸显了对客观和高效工具的需求.
研究的目的:
- 开发和评估一个人工智能 (AI) 管道,整合物体检测和分类模型,用于早期识别和区分口腔疾病.
- 评估两步人工智能方法在分析OPMD和OSCC临床图像中的性能.
主要方法:
- 一个回顾性横截面研究,使用773个基线和132个外部验证的口腔临床图像.
- 开发YOLOv11对象检测模型和MobileNetV2分类模型,并采用各种数据增强和训练策略.
- 将性能最好的检测器和分类器集成到疾病识别的两步管道中.
主要成果:
- 最好的YOLOv11模型实现了0.820的平均平均精度 (mAP50).
- 最好的MobileNetV2分类器在基线数据集上显示了0.846的准确性,在外部验证上显示了0.850的准确性.
- 集成的两步管道在基线测试组中达到0.784的准确性,在外部验证组中达到0.863,AUC-ROC值高 (分别为0.811和0.934).
结论:
- 开发的AI管道显示了支持早期口腔疾病诊断的可行性.
- 人工智能模型捕获了OPMD和OSCC的歧视性模式,尽管观察到一些类重叠.
- 建议对两步方法的性能指标保持谨慎,因为在检测阶段可能会排除错过的图像.
