Dual Deep Learning and Feature-Based Models for Classification of Laryngeal Squamous Cell Carcinoma Using Narrow Band Imaging
Notice bibliographique
Résumé
Laryngeal Squamous Cell Carcinoma (LSCC) is a prevalent form of laryngeal cancer that originates from the mucosal surface of the larynx.The visual analysis of laryngeal tissue vascular patterns poses a significant challenge, as it heavily relies on the expertise and experience of medical practitioners.This paper proposes a dual approach for the early diagnosis of LSCC by employing a lightweight Deep Convolutional Neural Network (CNN) and statistical features.It further delves into feature visualization and interpretation of the proposed classification models.Methods: The initial step involves enhancing image quality through Contrast Limited Adaptive Histogram Equalization (CLAHE).In the first approach, we employ a modified SqueezeNet for classifying laryngeal tissues.In the second approach, we extract a combination of first-order statistical features -Percentile-25, Percentile-50, Percentile-75, Mean, and Standard Deviation of each RGB channeland second-order statistical features such as Contrast, Energy, Homogeneity, and Correlation from the Gray-Level Co-Occurrence Matrix (GLCM).These features are then classified using the Extreme Gradient Boosting (XGBoost) classification model.Results: The proposed models are trained and validated using an augmented publicly available dataset, prepared for both binary and multiclass classifications.The results indicate that the proposed models demonstrate exceptional accuracy and efficiency in classifying types of laryngeal cancer.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».