تشخیص افتراقی ضایعات پیش سرطانی و سرطانی دهانی مبتنی بر یک مدل یکپارچه هوش مصنوعی

مقدمه: تشخیص به‌موقع ضایعات پیش‌سرطانی و سرطانی دهان نقش اساسی در بهبود نتایج درمانی و کاهش مرگ‌ومیر بیماران دارد. با این حال، شباهت ظاهری این ضایعات با ضایعات خوش‌خیم، فرآیند تشخیص را پیچیده می‌کند. سیستم‌های تشخیصی به کمک کامپیوتر (cad)‌‌، به‌عنوان ابزارهای کمکی، می‌توانند دقت تشخیص را افزایش داده و زمان آن را کاهش دهند. این مطالعه با هدف توسعه یک مدل یکپارچه برای تشخیص ضایعات دهانی انجام شد.روش: در این مطالعه، تصاویر بالینی از بیماران مبتلا به لوکوپلاکیا، لیکن‌پلان و کارسینوم سلول‌های سنگفرشی دهان جمع‌آوری شد. پس از پیش‌پردازش تصاویر برای بهبود کیفیت و حذف نویز، ویژگی‌های کلیدی با الگوریتم surf استخراج شدند. برای کاهش ابعاد داده‌ها و انتخاب ویژگی‌های موثر، از الگوریتم خوشه‌بندی k-means استفاده شد که تعداد ویژگی‌ها را به 30 ویژگی کاهش داد. طبقه‌بندی تصاویر با استفاده از پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (svm)‌، شبکه عصبی چندلایه (mlp)، توابع پایه شعاعی (rbf)، درخت تصمیم و دسته‌بندی‌کننده بیزی انجام شد. عملکرد این الگوریتم‌ها به‌صورت مقایسه‌ای ارزیابی شدند.نتایج: نتایج نشان داد که svm با دقت 95% بهترین عملکرد را در تشخیص ضایعات دهانی دارد. این الگوریتم به دلیل توانایی مدیریت داده‌های با ابعاد بالا و قابلیت تفکیک خطی و غیرخطی، برتری قابل توجهی نسبت به سایر روش‌ها نشان داد. الگوریتم‌های دیگر مانند mlp و rbf نیز نتایج قابل قبولی ارائه کردند، اما دقت آن‌ها کمتر از svm بود. استفاده از k-means برای کاهش ابعاد ویژگی‌ها، سرعت و دقت طبقه‌بندی را بهبود بخشید.نتیجه گیری: این مطالعه، برای نخستین بار، یک مدل یکپارچه از عکس‌برداری تا تشخیص ضایعات دهانی با دقت بالا ارائه کرد. این رویکرد خطاهای تشخیصی اشتباه را کاهش داده و زمان و هزینه‌های مرتبط با تشخیص را کاهش می‌دهد. استفاده از هوش مصنوعی در تشخیص ضایعات دهانی می‌تواند به عنوان یک ابزار کمکی در کنار متخصصان دندانپزشکی، کیفیت مراقبت‌های بهداشتی را بهبود بخشد. این مدل پتانسیل توسعه در سایر زمینه‌های پزشکی را دارد و می‌تواند به عنوان مرجعی برای تحقیقات آینده مورد استفاده قرار گیرد.

differential diagnosis of precancerous and cancerous oral lesions based on an integrated artificial intelligence model

introduction: early detection of precancerous and cancerous oral lesions is essential for improving treatment outcomes and reducing patient mortality. however, the similarity of these lesions to benign lesions complicates the diagnostic process. computer-aided diagnostic (cad) systems can enhance diagnostic accuracy and reduce the time required for diagnosis. this study aimed to develop an integrated model for the diagnosis of oral lesionsmethod: in this study, clinical images of patients with leukoplakia, lichen planus, and oral squamous cell carcinoma were collected. after preprocessing the images to improve quality and remove noise, key features were extracted using the surf algorithm. to reduce data dimensions and select effective features, the k-means clustering algorithm was employed, resulting in a reduction to 30 features. image classification was performed using five machine learning algorithms: support vector machine (svm), multilayer neural network (mlp), radial basis function (rbf), decision tree, and bayesian classifier. the performance of these algorithms was evaluated comparatively.results: the results indicated that svm excelled in detecting oral lesions, achieving an accuracy of 95%. this algorithm demonstrated significant superiority over other methods due to its ability to manage high-dimensional data and its capabilities for both linear and nonlinear separation. while mlp and rbf also provided acceptable results, their accuracy was lower than that of svm. employing k-means for dimensionality reduction improved both the speed and accuracy of classification.conclusion: this study presents, for the first time, an integrated model for high-accuracy diagnosis of oral lesions using imaging. this approach minimizes misdiagnosis errors and reduces the time and costs associated with diagnosis. the application of artificial intelligence in diagnosing oral lesions can enhance healthcare quality as an auxiliary tool alongside dental professionals. this model holds potential for development in other medical fields and can serve as a reference for future research.