ディープニューラルネットワークを用いた口腔内の悪性・非悪性病変の分類と診断

Malignant and non-malignant oral lesions classification and diagnosis with deep neural networks.

抄録

目的:

口腔癌の罹患率が増加していることから、高リスク地域、特に遠隔地において、視覚的病変診断のための安価で使いやすいツールを提供することが不可欠である。この概念実証研究では、口腔病変を撮影・診断できるスマートフォンアプリケーションの有用性と実現可能性を検討した。

OBJECTIVES: Given the increasing incidence of oral cancer, it is essential to provide high-risk communities, especially in remote regions, with an affordable, user-friendly tool for visual lesion diagnosis. This proof-of-concept study explored the utility and feasibility of a smartphone application that can photograph and diagnose oral lesions.

方法:

診断が確認された口腔病変の画像を口腔顎顔面の教科書から入手した。合計342枚の画像を抽出し、歯肉、口蓋、口唇粘膜など口腔の様々な部位の病変を網羅した。病変は3つのカテゴリーに分類された：クラス1は非腫瘍性病変、クラス2は良性新生物、クラス3は前がん/悪性病変である。画像はMobileNetV3およびEfficientNetV2モデルを用いて解析され、その過程で精度曲線、混同行列、および受信者動作特性（ROC）曲線が作成された。

METHODS: The images of oral lesions with confirmed diagnoses were sourced from oral and maxillofacial textbooks. In total, 342 images were extracted, encompassing lesions from various regions of the oral cavity such as the gingiva, palate, and labial mucosa. The lesions were segregated into three categories: Class 1 represented non-neoplastic lesions, Class 2 included benign neoplasms, and Class 3 contained premalignant/malignant lesions. The images were analysed using MobileNetV3 and EfficientNetV2 models, with the process producing an accuracy curve, confusion matrix, and receiver operating characteristic (ROC) curve.

結果:

EfficientNetV2モデルは、反復の初期段階で検証精度の急上昇を示し、0.71のスコアでプラトーとなった。混同行列によると、このモデルの非腫瘍性病変と前悪性度/悪性度病変の診断精度は、それぞれ64%と80%であった。逆に、MobileNetV3モデルは、より緩やかな増加を示し、0.70の検証精度でプラトーに達した。混同行列によると、MobileNetV3モデルの非腫瘍性病変の診断精度は64％、前悪性腫瘍／悪性腫瘍の診断精度は82％であった。

RESULTS: The EfficientNetV2 model showed a steep increase in validation accuracy early in the iterations, plateauing at a score of 0.71. According to the confusion matrix, this model's testing accuracy for diagnosing non-neoplastic and premalignant/malignant lesions was 64% and 80% respectively. Conversely, the MobileNetV3 model exhibited a more gradual increase, reaching a plateau at a validation accuracy of 0.70. The MobileNetV3 model's testing accuracy for diagnosing non-neoplastic and premalignant/malignant lesions, according to the confusion matrix, was 64% and 82% respectively.

結論:

我々の概念実証研究は、悪性病変の鑑別におけるAIソフトウェアの潜在的な精度を効果的に実証した。これは、歯科医へのアクセスが限られている集団に対する遠隔スクリーニングにおいて重要な役割を果たす可能性がある。しかしながら、画像の分類と「非悪性病変」の結果との間に不一致があることから、モデルと使用した分類システムのさらなる改良が必要である。

CONCLUSIONS: Our proof-of-concept study effectively demonstrated the potential accuracy of AI software in distinguishing malignant lesions. This could play a vital role in remote screenings for populations with limited access to dental practitioners. However, the discrepancies between the classification of images and the results of "non-malignant lesions" calls for further refinement of the models and the classification system used.

臨床的意義:

本研究の結果は、AIソフトウェアが口腔内の悪性病変の同定やスクリーニングを支援する可能性があることを示している。非悪性病変の分類精度を高めるためには、さらなる改良が必要である。

CLINICAL SIGNIFICANCE: The findings of this study indicate that AI software has the potential to aid in the identification or screening of malignant oral lesions. Further improvements are required to enhance accuracy in classifying non-malignant lesions.