“Enhancing early detection of oral cancer: a comparative study of artificial intelligence models and clinical specialist in lesion classification”
Notice bibliographique
Résumé
BACKGROUND: Oral cancer remains a major global health issue, with timely diagnosis being essential due to its varied clinical presentation. This study explores how artificial intelligence (AI) can support early detection by analyzing intraoral photographs. METHODS: A cross-sectional analysis was performed using 518 intraoral clinical images collected from the Department of Oral Medicine, Kerman Faculty of Dentistry, between 2009 and 2023. The dataset comprised 104 images of malignant lesions and 414 of benign or normal tissue, all confirmed by a specialist in oral pathology. Three pretrained deep learning models, DenseNet-121, EfficientNet-B0, and ResNet-50, were evaluated for their ability to classify lesions as malignant or benign. The data were split into training (80%) and testing (20%) sets, with preprocessing completed before analysis. RESULTS: Among the models, DenseNet-121 demonstrated superior performance, achieving 91% accuracy, 75% sensitivity, 98% specificity, 75% positive predictive value, 96% negative predictive value, an F1 score of 84%, and an area under the curve of 90%. These results exceeded the diagnostic accuracy of an experienced oral specialist. CONCLUSION: AI-based analysis of clinical images can significantly improve early oral cancer detection and should be integrated into clinical workflows to enhance diagnostic precision.
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 | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».