Use of <scp>DNA</scp> image cytometry in conducting oral cancer screening in rural India
Notice bibliographique
Résumé
OBJECTIVES: Oral cancer screening can assist in the early detection of oral potentially malignant lesions (OPMLs) and prevention of oral cancers. It can be challenging for clinicians to differentiate OPMLs from benign conditions. Adjunct screening tools such as fluorescence visualisation (FV) and DNA image cytometry (DNA-ICM) have shown success in identifying OPMLs in high-risk clinics. For the first time we aimed to assess these technologies in Indian rural settings and evaluate if these tools helped clinicians identify high-risk lesions during screening. METHODS: Dental students and residents screened participants in five screening camps held in villages outside of Hyderabad, India, using extraoral, intraoral, and FV examinations. Lesion and normal tissue brushings were collected for DNA-ICM analysis and cytology. RESULTS: Of the 1116 participants screened, 184 lesions were observed in 152 participants. Based on white light examination (WLE), 45 lesions were recommended for biopsy. Thirty-five were completed on site; 25 (71%) were diagnosed with low-grade dysplasias (17 mild, 8 moderate) and the remaining 10 showed no signs of dysplasia. FV loss was noted in all but one dysplastic lesion and showed a sensitivity of 96% and specificity of 17%. Cytology combined with DNA-ICM had a sensitivity of 64% and specificity of 86% in detecting dysplasia. CONCLUSION: DNA-ICM combined with cytology identified the majority of dysplastic lesions and identified additional lesions, which were not considered high-risk during WLE and biopsy on site. Efforts to follow-up with these participants are ongoing. FV identified most high-risk lesions but added limited value over WLE.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».