基于深度学习与可解释人工智能的口腔癌组织病理图像分析及诊断准确性提升研究

来自多领域的研究团队针对口腔癌(OC)组织病理诊断中存在的误诊风险与可解释性不足问题，开展了一项结合Vahadane三染色参数标准化、加权Fisher评分(WFS)与U-Net分类器的深度学习研究。该研究实现了99.54%的分类准确率，显著优于DenseNet201和VGG10模型，为早期精准诊断和临床决策支持提供了可靠工具。

　　

深度学习(Deep Learning, DL)技术正在重塑医学影像分析领域，尤其在口腔癌(Oral Cancer, OC)的组织病理图像诊断方面展现出巨大潜力。由于OC的早期发现对精准医疗和患者生存率提升至关重要，研究团队通过Vahadane三染色参数标准化法实现染色一致性控制，结合分水岭分割算法对图像进行预处理，再通过切片与数据增强技术扩充样本。针对类别不平衡问题，采用加权Fisher评分(Weighted Fisher Score, WFS)进行特征筛选，并创新性地将U-Net分类器的输入从完整图像优化为特征级输入，显著降低了计算复杂度与训练时间。该框架整合了标准化预处理、特征选择与可解释人工智能(Explainable AI, XAI)技术，最终实现了99.54%的分类准确率，在精确度和可靠性上超越DenseNet²⁰¹与VGG¹⁰等主流模型。该研究为早期OC诊断提供了高效、可解释的解决方案，有望降低临床误诊率并改善治疗预后。