Новая компактная глубокая сверточная нейронная сеть для раннего выявления рака полости рта

Цель: Разработать компактную глубокую сверточную нейронную сеть (CNN) для бинарной классификации поражений полости рта как доброкачественных либо злокачественных или потенциально злокачественных по стандартным клиническим изображениям, получаемым в реальном времени.

Методы: Предложена небольшая глубокая CNN, в которой предварительно обученная EfficientNet-B0 использовалась как компактная модель трансферного обучения. Для обучения и тестирования модели применён набор данных из 716 клинических изображений. Эффективность оценивали по точности, специфичности, чувствительности, характеристикам рабочих ROC-кривых и площади под кривой (AUC). Для расчёта средних арифметических и 95% доверительных интервалов (ДИ) использовали бутстрэп-метод с 120 повторениями.

Результаты: Предложенная модель CNN достигла точности 85,0% (95% ДИ 81,0–90,0%), специфичности 84,5% (95% ДИ 78,9–91,5%), чувствительности 86,7% (95% ДИ 80,4–93,3%) и AUC 0,928 (95% ДИ 0,88–0,96).

Выводы: Глубокие CNN могут быть эффективным инструментом для создания недорогих встраиваемых устройств машинного зрения с ограниченными вычислительными ресурсами и объёмом памяти, предназначенных для диагностики рака полости рта. Искусственный интеллект способен повысить качество и расширить охват скрининга и раннего выявления рака полости рта.