基于卷积神经网络的口腔溃疡智能诊断模型UlcerNet-2的构建与验证

本研究针对口腔溃疡临床诊断依赖主观评估的痛点，开发了基于深度学习的UlcerNet系列模型。研究人员通过优化激活函数(SELU/ELU)和优化器(RMSprop)，使UlcerNet-2在五类口腔溃疡分类中达到96%的验证准确率，并部署于FogBus雾计算框架验证临床适用性。该研究为RAU(复发性阿弗他溃疡)的自动化诊断提供了非侵入性解决方案，显著提升了口腔病变分类的客观性和效率。

　　

口腔溃疡作为临床常见病症，其诊断长期依赖医生的经验判断，存在主观性强、效率低下等问题。尤其对于复发性阿弗他溃疡(RAS)这类易与恶性溃疡混淆的病症，早期准确分类对治疗决策至关重要。传统诊断方法不仅耗时耗力，在医疗资源匮乏地区更面临严峻挑战。这一背景下，Kalasalingam研究与教育学院（印度）联合团队创新性地将人工智能引入口腔医学领域。

研究人员构建了专用于口腔溃疡诊断的UlcerNet系列卷积神经网络(CNN)模型。通过系统比较三种定制架构发现，采用RMSprop优化器配合Softmax-SELU激活函数的UlcerNet-2表现最优，在939张临床图像的五分类任务中取得96%验证准确率，超越VGG-16(90%)、MobileNet V2(95%)等经典模型。研究创新性地引入FogBus雾计算框架部署模型，实测延迟仅2.3ms，为临床实时应用奠定基础。该成果发表于《Scientific Reports》，为口腔溃疡的智能化诊断树立了新标准。

关键技术包括：1)采用旋转/翻转等数据增强处理Roboflow开源数据集；2)构建含三层卷积的轻量化CNN架构；3)系统测试ReLU/ELU/GELU/SELU四种激活函数；4)通过混淆矩阵和PR曲线评估模型；5)在FogBus框架测量执行时延等物联网指标。

模型架构

UlcerNet-2采用三阶段卷积-池化结构：首层32个3×3卷积核提取边缘特征，经2×2最大池化降维；二层64卷积核识别复杂模式；三层128卷积核捕获高级特征。全连接层1024神经元配合0.2 dropout防止过拟合，最终通过Softmax输出五分类概率。

性能验证

比较实验显示，UlcerNet-2的F1-score达96%，显著优于UlcerNet-1(93%)和UlcerNet-3(95%)。精确度-召回率曲线证实其对herpetiform溃疡(97%)和OSCC(96%)的识别优势。混淆矩阵显示主要误判发生在形态相似的major/minor RAS之间。

雾计算部署

在FogBus框架测试中，模型仲裁时间1.2ms，端到端延迟2.3ms，满足实时诊断需求。这种边缘计算方案有效解决了医疗数据隐私和网络延迟的双重挑战。

该研究突破性地实现了口腔溃疡的自动化分级诊断，其96%的准确率已接近专业医师水平。特别值得注意的是，模型对恶性溃疡OSCC的识别精度达97%，为癌症早期筛查提供了新思路。雾计算部署方案更开创了AI诊断落地的新范式，使偏远地区患者也能获得及时诊断。未来通过扩大数据集和跨中心验证，该技术有望成为口腔科医生的"第二双眼睛"，大幅提升诊疗效率和一致性。