The Applications of Imaging and Machine Learning Algorithm for Detecting Oral Cancer: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background: Recent advancements in imaging and machine learning, facilitated by Industry 4.0 technologies, including advanced aluminum technologies in medical device manufacturing, have shown promise for enhancing oral cancer detection.This systematic review and meta-analysis aimed to synthesize current evidence on the applications of these technologies for the detection and classification of oral cancer.Methods: We conducted a systematic literature search across PubMed, Embase, Scopus, Web of Science, Cochrane Library, IEEE Xplore, ACM Digital Library, and Google Scholar, selecting studies that applied imaging and machine learning algorithms to detect oral cancer.The QUADAS-AI tool was used to assess the risk of bias.Metaanalysis was performed to evaluate the differences in F-scores and accuracy between machine learning systems in distinguishing cancerous from non-cancerous cells.Results: The review included 9 studies that developed various models with high accuracy in detecting and classifying oral cancer, utilizing advanced optimization techniques and incorporating diverse datasets.The meta-analysis revealed a significant mean difference (MD) in F-scores of -3.29, with high heterogeneity across training/testing data ratios.Additionally, validation cohorts demonstrated higher accuracy than training cohorts by a pooled MD of -4.70, suggesting improved performance on unseen data despite high heterogeneity.Conclusion: The findings highlight the efficacy of machine learning algorithms in the detection of oral cancer and underscore the importance of robust model validation on independent datasets.The integration of advanced aluminum technologies in the development of imaging systems within the Industry 4.0 framework suggests a significant impact on the performance and accuracy of these detection methods.Future research should focus on standardizing methodologies to enhance comparability and generalizability of results.
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 | 0,020 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,033 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».