Artificial Intelligence in Oral Squamous Cell Carcinoma Diagnosis: Exploring Deep Transfer Learning Strategies
本研究表明，通过使用经过数据增强和交叉验证优化的 EfficientNetB7 和 ResNet50 模型，深度迁移学习实现了对口腔鳞状细胞癌组织学图像的高精度分类，为提高诊断准确性并解决病理学家间的差异性提供了一种极具前景的解决方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名正在试图破解谜题的侦探，但你寻找的不是指纹或脚印，而是在显微镜下观察到的微小、色彩斑斓的细胞图像。这就是病理学的世界，医生通过检查组织样本来判断一个人是否患有癌症。其中最常见且最难发现的癌症之一是口腔鳞状细胞癌（OSCC），这是一种起源于口腔的癌症。几十年来，解决这个谜题的“金标准”一直是眯着眼睛盯着切片片的资深病理学家。他们寻找像细胞排列方式或看起来是否混乱无序之类的线索。但问题在于：人类会疲劳，眼睛会产生错觉，而且两个不同的侦探在看同一张图片时可能会产生分歧。这正是人工智能（AI）介入的地方。把 AI 想象成一个超级强大的助手，它读过数百万本图画书，能够发现人类肉眼可能忽略的模式。科学家们提出的重大问题是：我们能否教会一台计算机观察这些微小的细胞图像，并比人类更准确、更快地告诉我们这是哪种类型的癌症，以及它的危险程度如何？
这项研究就像是一场高水平的烹饪比赛，只不过参赛者不是厨师，而是计算机模型；而食材也不是食物，而是喂给它们的口腔组织显微图像。研究人员想要看看哪位“厨师”（或深度学习模型）最擅长将这些图像分为三类：健康口腔组织、低级别癌（生长缓慢、危险性较低的类型）和高级别癌（快速、侵略性强的类型）。为了让这场挑战公平起见，他们从 750 张图像的小堆开始。由于缺乏足够的“低级别”和“高级别”癌症图像来让计算机进行充分学习，他们使用了一种被称为 SMOTE 的聪明技巧。想象一下，如果你只有三个红色的弹珠和一百个蓝色的弹丸，你很难教别人如何识别红色。SMOTE 就像一台神奇的复印机，可以创造出全新的、虚构但真实的红色弹珠，让计算机得到充分的练习。他们还使用了“数据增强”，这就像是拍一张照片，然后把它倒过来、调亮一点或者旋转一下，这样计算机就能学会无论照片如何摆放都能识别出癌症。
研究人员测试了七位著名的“厨师”（计算机模型），这些模型已经学会了识别猫、汽车和苹果等数百万种日常物体。这些模型分别是 ResNet50、InceptionV3、VGG16、EfficientNetB7、DenseNet121、Xception 和 MobileNet。其核心思想是利用这些聪明的模型进行“微调”，就像教一位精通战争的将军现在专门学习某种特定地形的战斗一样。他们通过“冻结”模型的大部分大脑（使其不会忘记已有的知识），并让最后几层学习新的癌症图像来进行微调。他们尝试了不同的策略，比如让 15 层进行学习或 30 层进行学习，以观察哪种效果最好。
结果显示，有一个特定的模型取得了压倒性的胜利：EfficientNetB7。这个模型是全场的明星，其正确率达到了 99.2%。它就像一个从不漏掉任何线索的侦探。亚军是 ResNet50，它的表现同样非常可靠，成功率高达 99.04%。这两个模型证明了，通过正确的训练，计算机在识别这些特定癌症等级方面可以极其精准。然而，并非每个模型都是赢家。听起来非常高端的 InceptionV3 实际上表现最差，仅为 92.94%，而通常适用于小型设备的 MobileNet 也仅达到了 95.2%。这项研究表明，虽然这项技术前景广阔，但“配方”至关重要；某些模型确实比其他模型更能处理这些细胞图像中的特定细节。
作者谨慎地指出，尽管这些数字令人惊叹，但这些模型仍需要在更广泛、更多样的数据中进行现实世界的测试。他们还指出了一项局限性：这些 AI 系统就像“黑匣子”。它们可以非常有信心地给出答案，但并不总能解释为什么它们认为某个细胞看起来很危险，而这正是人类医生在做出生死攸关的决定前需要理解的东西。最终，这篇论文表明，AI（特别是像 EfficientNetB7 和 ResNet50 这样的模型）可以成为病理学家的强大搭档，帮助他们以超人的速度和准确度诊断口腔癌，但在目前阶段，它还不能取代人类专家。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。