Performance Evaluation of a Classification Model for Oral Tumor Diagnosis
Notice bibliographique
Résumé
This paper extracted features from region of interest of histopathology images, formulated a classification model for diagnosis, simulated the model and evaluated the performance of the model. This is with a view to developing a histopathology image classification model for oral tumor diagnosis. The input for the classification is the oral histopathology images obtained from Obafemi Awolowo University Dental Clinic histopathology archive. The model for oral tumor diagnosis was formulated using the multilayered perceptron type of artificial neural network. Image preprocessing on the images was done using Contrast Limited Adaptive Histogram Equalization (CLAHE), features were extracted using Gray Level Confusion Matrix (GLCM). The important features were identified using Sequential Forward Selection (SFS) algorithm. The model classified oral tumor diagnosis into tive classes: Ameloblastoma, Giant Cell Lesions, Pleomorphic Adenoma, Mucoepidermoid Carcinoma and Squamous Cell Carcinoma. The performance of the model was evaluated using specificity and sensitivity. The result obtained showed that the model yielded an average accuracy of 82.14%. The sensitivity and the specificity values of Ameloblastoma were 85.71% and 89.4%, of Giant Cell Lesions were 83.33% and 94.74%, of Pleomorphic Adenoma were 75% and 95.24%, of Mucoepidermoid Carcinoma were 100% and 100%, and of Squamous Cell Carcinoma were 71.43% and 94.74% respectively. The model is capable of assisting pathologists in making consistent and accurate diagnosis. It can be considered as a second opinion to augment a pathologist’s diagnostic decision.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,011 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».