Deep Learning-Based Automated Detection of Oral Leukoplakia in Clinical Imaging
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
OBJECTIVE: This study aims to develop and validate a deep learning-based system for automated identification of oral leukoplakia (OLK), addressing diagnostic challenges in clinical practice. METHODS: We conducted a comparative analysis of 19 convolutional neural network (CNN) architectures using 446 clinical images of histopathologically confirmed oral leukoplakia cases. The dataset was augmented with 1,041 normal oral mucosa images for comparison. A fine-tuned EfficientNetB0 architecture was selected as the optimal model. Class Activation Mapping (CAM) visualized decision-making regions, with performance evaluated through area under the receiver operating characteristic curve (AUC-ROC) analysis and accuracy metrics. RESULTS: The EfficientNetB0 model achieved 97.54% accuracy (95% confidence interval (CI): 95.2%-99.1%) with an AUC of 0.993 (95% CI: 0.981-0.998). Activation mapping demonstrated precise localization of leukoplakic lesions, correlating with clinical diagnostic criteria. The model maintained robust performance across varying illumination conditions and oral cavity locations. CONCLUSION: This deep learning system demonstrates expert-level diagnostic capability for oral leukoplakia identification, showing potential for integration into clinical decision support systems. The model's high diagnostic accuracy and interpretability through activation mapping address critical needs in early oral cancer detection and screening programs.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Deep Learning-Based Automated Detection of Oral Leukoplakia in Clinical Imaging
- Date Crossref
- 02/05/2025
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Ningbo University Affiliated Hospital pays non établi dans la noticeÉtablissement de santé
-
Second Affiliated Hospital of Zhejiang University Department of Oral Medicine pays non établi dans la noticeÉtablissement de santé
-
Chongqing University pays non établi dans la noticeUniversité ou école supérieure
-
Stomatological Hospital of Chongqing Medical University Department of Oral Medicine pays non établi dans la noticeÉtablissement de santé
-
Chongqing Medical University pays non établi dans la noticeUniversité ou école supérieure
-
The Affiliated People's Hospital of Ningbo University Department of Oral Medicine pays non établi dans la noticeUniversité ou école supérieure
-
Chongqing Key Laboratory of Oral Diseases Department of Oral Medicine pays non établi dans la noticeStructure de recherche
Ningbo University Affiliated Hospital, Department of Oral Medicine — Second Affiliated Hospital of Zhejiang University et Chongqing University, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.