面向 Ameloblastoma 的统一多模态框架：数据集构建与模型驱动诊断
人工智能
2026-02-06 v1 计算与语言
摘要
人工智能（AI）在面部病理学诊断方面需要结构化、高质量的多模态数据集。然而，现有资源对 Ameloblastoma 覆盖不足且缺乏直接用于模型训练的格式一致性。我们构建了一个专注于 Ameloblastoma 的新型多模态数据集，整合了标注后的放射学、组织病理学及口内临床图像，并从病例报告中提取结构化数据。采用自然语言处理技术从文本报告中抽取临床相关特征，图像数据经过特定领域的预处理与增强。基于该数据集，我们开发了一个多模态深度学习模型，用于分类 Ameloblastoma 亚型、评估复发风险等行为模式，并支持手术规划。该模型在部署时可接受临床输入（如主诉、年龄、性别），以实现个性化推断。定量评估显示，亚型分类准确率从 46.2% 提升至 65.9%，异常组织检测 F1 分数从 43.0% 提升至 90.3%。与 MultiCaRe 等资源基准测试后，本工作通过提供稳健的数据集和可适配的多模态 AI 框架，推动了面向患者的决策支持。
引用
@article{arxiv.2602.05515,
title = {A Unified Multimodal Framework for Dataset Construction and Model-Based Diagnosis of Ameloblastoma},
author = {Ajo Babu George and Anna Mariam John and Athul Anoop and Balu Bhasuran},
journal= {arXiv preprint arXiv:2602.05515},
year = {2026}
}