Повышение эффективности выявления плоскоклеточного рака полости рта: новый подход с использованием усовершенствованной архитектуры EfficientNet

Плоскоклеточный рак полости рта (OSCC) является восьмым по распространённости онкологическим заболеванием в мире и приводит к нарушению структурной целостности слоёв и оболочек полости рта. Несмотря на высокую распространённость, ранняя диагностика имеет решающее значение для эффективного лечения. Целью настоящего исследования было использование последних достижений глубокого обучения в классификации медицинских изображений для автоматизации ранней диагностики гистопатологических изображений тканей полости рта, что должно обеспечить своевременное и точное выявление рака полости рта. Была разработана глубокая свёрточная нейронная сеть (CNN) для классификации доброкачественных и злокачественных гистопатологических изображений биопсий полости рта. С использованием 17 предварительно обученных моделей глубоких CNN двухэтапный статистический анализ позволил выявить предварительно обученную модель EfficientNetB0 как наиболее эффективную. Модель EfficientNetB0 была дополнительно усовершенствована посредством включения в её архитектуру сети двойного внимания (DAN). Усовершенствованная модель EfficientNetB0 продемонстрировала высокие показатели эффективности: точность — 91.1%, чувствительность — 92.2%, специфичность — 91.0%, прецизионность — 91.3%, частота ложноположительных результатов (FPR) — 1.12%, показатель F1 — 92.3%, коэффициент корреляции Мэтьюса (MCC) — 90.1%, коэффициент каппа — 88.8%, вычислительное время — 66.41%. Примечательно, что эта модель превзошла современные передовые подходы в данной области. Интеграция методов глубокого обучения, в частности усовершенствованной модели EfficientNetB0 с DAN, продемонстрировала многообещающие результаты для автоматизированной ранней диагностики рака полости рта посредством анализа гистопатологических изображений. Это достижение обладает значительным потенциалом для повышения эффективности стратегий лечения рака полости рта.