Beyond traditional methods-artificial intelligence in detection of oral cancer using smartphone-based oral photographs: a systematic review
Notice bibliographique
Résumé
Oral cancer is a significant global health concern that affects people of various age groups worldwide. According to Globo Can, reports from 2022 show that approximately 377,713 new cases and 177,757 deaths are reported each year worldwide. Smartphones and Artificial intelligence (AI) are increasing in healthcare for diagnosis and treatment planning. This systematic review aims to appraise the existing evidence on the effectiveness of various artificial intelligence algorithms in the detection of oral cancer based on smartphone-based oral photographs from previously published articles. A systematic electronic search was carried out through various databases that emphasize current studies on the detection or diagnosis of oral cancer using different artificial intelligence algorithms. A modified Newcastle Ottawa scale was used to evaluate the quality of the included research and the PROBAST (Prediction model Risk of Bias Assessment tool) was used to assess the risk of bias. Among 13 articles, 8 show good quality and 5 fair qualities, mostly at low bias risk. Machine learning (support vector machines) sensitivity and specificity range from 89% to 92% and 75% to 82%; deep learning (MobileNet v2, ResNet) ranges from 85.12% to 90.23% and 87.64% to 90%. The diagnostic effectiveness of artificial intelligence models differs among machine learning and deep learning techniques. According to these results, machine learning has demonstrated encouraging outcomes in identifying oral cancer. The findings demonstrate the effectiveness of smartphone photographic images in detecting oral 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 | 0,009 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».