基于加权集成卷积神经网络的多模态口腔癌检测
计算机视觉与模式识别
2025-10-07 v1 人工智能
摘要
OSCC（口腔鳞状细胞癌）晚期诊断是其高全球死亡率的重要贡献者，超过 50% 的病例在晚期被检测到，5 年生存率低于 50%（WHO 数据）。本研究旨在通过开发一种集成临床、放射学和组织病理学图像的多模态深度学习框架，使用加权集成 DenseNet-121 卷积神经网络（CNN）来提高 OSCC 的早期检测。材料与方法我们采用回顾性研究方法，使用公开的数据集代表三个不同的医学影像模态。每个模态特异的数据集用于通过迁移学习训练 DenseNet-121 CNN。对每个模态应用了数据增强和模态特异的预处理，以提高鲁棒性。采用验证加权集成策略对预测进行融合。采用准确率、精确率、召回率、F1 分值进行评估。结果显示，放射学模态的高验证准确率为 100%，组织病理学模态为 95.12%，临床图像表现较差（63.10%），由于视觉异质性。集成模型在包含 55 样本的多模态验证数据集上实现了 84.58% 的总体准确率，显示出 improved 的诊断鲁棒性。结论表明，多模态集成框架填补了当前诊断工作流程之间的空白，提供一种非侵入性的 AI 辅助分诊工具，可提高早期识别高危病变的能力。它支持医生的决策，与全球癌症指南一致，以减少诊断延迟并提高患者预后。
关键词
引用
@article{arxiv.2510.03878,
title = {Multi-Modal Oral Cancer Detection Using Weighted Ensemble Convolutional Neural Networks},
author = {Ajo Babu George and Sreehari J R Ajo Babu George and Sreehari J R Ajo Babu George and Sreehari J R},
journal= {arXiv preprint arXiv:2510.03878},
year = {2025}
}