Автоматическая классификация и выявление рака полости рта на фотографиях с использованием алгоритмов глубокого обучения

Введение: Рак полости рта — смертельное заболевание, относящееся к наиболее распространённым злокачественным опухолям в мире; он становится всё более значимой проблемой общественного здравоохранения в развивающихся странах и странах с низким и средним уровнем дохода. Цель исследования — разработать с использованием алгоритмов глубокого обучения на основе свёрточных нейронных сетей (CNN) автоматизированную модель классификации и выявления рака полости рта при скрининге.

Методы: В исследование включили 700 клинических фотографий полости рта, ретроспективно собранных в центре стоматологии и челюстно-лицевой хирургии: 350 изображений плоскоклеточного рака полости рта и 350 изображений нормальной слизистой оболочки полости рта. Модели классификации и выявления создали с использованием DenseNet121 и Faster R-CNN соответственно. Случайным образом отобрали 490 изображений для обучения. Кроме того, 70 и 140 изображений распределили в выборки для валидации и тестирования соответственно.

Результаты: Для модели классификации на основе DenseNet121 точность составила 99%, полнота — 100%, F1-мера — 99%, чувствительность — 98,75%, специфичность — 100%, площадь под ROC-кривой — 99%. Для модели выявления на основе Faster R-CNN точность составила 76,67%, полнота — 82,14%, F1-мера — 79,31%, площадь под кривой «точность—полнота» — 0,79.

Выводы: Показано, что алгоритмы DenseNet121 и Faster R-CNN обладают приемлемым потенциалом для классификации и выявления злокачественных поражений на фотографиях полости рта.