提升不平衡口腔癌图像分类中的诊断敏感性：CNN 与 Transformer 架构对比研究

《Cancers》：Improving Diagnostic Sensitivity in Imbalanced Oral Cancer Image Classification: A Comparative Study of CNN and Transformer Architectures

　　

简要摘要

口腔癌的早期检测对于提高患者生存率至关重要，然而人工智能模型往往面临困难，因为可用的临床图像数据集规模较小且高度不平衡，恶性病例相对较少。本研究探讨了是否可以通过随机欠采样、随机过采样以及医学信息引导的图像增强方法来缓解类别不平衡问题，在训练三种具有代表性的深度学习架构时——EfficientNet、Vision Transformer和Swin Transformer。使用公开的口腔照片数据集和统一的五折交叉验证框架，我们通过多分类和面向临床的恶性风险评估两种方式对以上策略进行了比较。结果表明，数据增强通常能够提高少数类别的检测能力，同时保持具有竞争力的整体分类性能。尽管如此，在常规临床应用之前，仍需要进行外部多中心验证和前瞻性临床研究。

摘要

背景：类别不平衡仍然是基于人工智能的口腔癌诊断中的一个主要局限性，特别是在恶性病变代表性不足的较小临床图像数据集中尤为突出。方法：使用一个包含3000张通过移动设备采集的口腔图像的数据集，该数据集分为四个诊断类别（健康、良性、口腔潜在恶性疾患和口腔癌），我们系统地评估了不平衡缓解策略对诊断性能的影响。三种骨干架构——EfficientNet、Vision Transformer和Swin Transformer——在以下四种条件下进行训练：原始不平衡训练、随机欠采样、随机过采样以及医学安全数据增强。使用分层五折交叉验证来评估性能，所有报告的指标均对应验证折的平均性能。结果：在多分类评估中，数据增强方法产生了最强的整体性能，其中EfficientNet获得了最高的宏F分数（0.669 ± 0.024）和曲线下面积（0.881 ± 0.015）。在面向临床的二元恶性风险评估中（高风险病变与低风险病变对比），EfficientNet的敏感度达到0.817 ± 0.030，同时数据增强在所评估的架构中保持了具有竞争力的恶性风险检测能力。相比之下，随机欠采样在所有架构中始终产生较低的描述性性能。结论：这些发现表明，基于增强的不平衡缓解方法与多分类性能和口腔癌特异性性能的改善相关，同时保持了具有竞争力的整体区分能力。本研究结果为在类别不平衡的真实世界数据集中开发临床稳健的口腔癌早期检测人工智能系统提供了实用指导。