MétaCan
Menu
← Retour à la cohorte
Enregistrement W7153494338 · doi:10.14447/jnmes/v28i3.a04

The Applications of Imaging and Machine Learning Algorithm for Detecting Oral Cancer: A Systematic Review and Meta-Analysis

2025· article· W7153494338 sur OpenAlexvenueno aff

Notice bibliographique

RevueJournal of New Materials for Electrochemical Systems · 2025
Typearticle
Langue
DomaineDentistry
ThématiqueDental Radiography and Imaging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPattern recognition (psychology)Statistical classificationMedical imagingMachine vision

Résumé

récupéré en direct d'OpenAlex

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,104

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,041
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0160,033
Bibliométrie0,0060,007
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0020,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,313
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJournal of New Materials for Electrochemical Systems→Même sujetDental Radiography and Imaging→Travaux en français237 207→