Next-generation AI framework for comprehensive oral leukoplakia evaluation and management
Notice bibliographique
Résumé
Oral potentially malignant disorder poses a significant risk of malignant transformation, particularly in cases with epithelial dysplasia (OED). Current OED assessment methods are invasive and lack reliable decision-support tools for cancer risk evaluation and follow-up optimization. This study developed and validated OMMT-PredNet, a fully automated multimodal deep learning framework requiring no manual ROI annotation, for non-invasive OED identification and time-dependent cancer risk prediction. Utilizing data from 649 histopathologically confirmed leukoplakia cases across multiple institutions (2003-2024), including 598 cases in the primary cohort and 51 in the external validation set, the model integrated paired high-resolution clinical images and medical records. OMMT-PredNet achieved an AUC of 0.9592 (95% CI: 0.9491-0.9693) for cancer risk prediction and 0.9219 (95% CI: 0.9088-0.9349) for OED identification, with high specificity (MT: 0.9490; OED: 0.9182) and precision (MT: 0.9442; OED: 0.9303). Calibration and decision curve analyses confirmed clinical applicability, while external validation demonstrated robustness. This multidimensional model effectively predicts OED and cancer risk, highlighting its global applicability in enhancing oral cancer screening and improving patient outcomes.
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 | 0,002 |
| 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) | 0,002 | 0,001 |
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 ».