Multiclass classification of autofluorescence images of oral cavity lesions based on quantitative analysis
Notice bibliographique
Résumé
BACKGROUND: Oral cancer is one of the most common diseases globally. Conventional oral examination and histopathological examination are the two main clinical methods for diagnosing oral cancer early. VELscope is an oral cancer-screening device that exploited autofluorescence. It yields inconsistent results when used to differentiate between normal, premalignant and malignant lesions. We develop a new method to increase the accuracy of differentiation. MATERIALS AND METHODS: Five samples (images) of each of 21 normal mucosae, as well as 31 premalignant and 16 malignant lesions of the tongue and buccal mucosa were collected under both white light and autofluorescence (VELscope, 400-460 nm wavelength). The images were developed using an iPod (Apple, Atlanta Georgia, USA). RESULTS: The normalized intensity and standard deviation of intensity were calculated to classify image pixels from the region of interest (ROI). Linear discriminant analysis (LDA) and quadratic discriminant analysis (QDA) classifiers were used. The performance of both of the classifiers was evaluated with respect to accuracy, precision, and recall. These parameters were used for multiclass classification. The accuracy rate of LDA with un-normalized data was increased by 2% and 14% and that of QDA was increased by 16% and 25% for the tongue and buccal mucosa, respectively. CONCLUSION: The QDA algorithm outperforms the LDA classifier in the analysis of autofluorescence images with respect to all of the standard evaluation parameters.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».