Anvendelse og validering af et smartphone-baseret dybt indlæringssystem til mundtlige potentielt ondartede lidelser og oral kræftscreening

Baggrund:

Oral kræft er stadig en af ​​de førende årsager til kræftrelaterede dødsfald i Taiwan og over hele verden. Kunstig intelligens har potentialet til at forbedre screening af oral kræft, hvilket muliggør tidlig påvisning ved at tackle problemer med sundhedsadgang med løsninger af høj kvalitet.

Objektiv:

For at validere det smartphone-baserede Deep Learning System's nøjagtighed til at detektere orale potentielt ondartede lidelser (OPMD) og oral kræft, mens det også demonstrerer, at det er lige så effektivt som vurderinger udført af tandlæger og ikke-certificerede sundhedsudbydere.

Metoder:

Design, indstilling og deltagere: En åben, tre-arm, randomiseret kontrolleret forsøg vil blive udført i et medicinsk center i det nordlige Taiwan mellem januar 2025 til december 2025. Retssagen vil omfatte emner i alderen 18 år eller ældre, der besøger Cancer Screening Center for alle former for screening. Oral kræftrisikofaktorer, såsom rygevaner eller at have tygget betelmøtrik eller alkoholdrikning, ville blive optaget af anonyme spørgeskemaer.

Interventioner: Kvalificerede emner ville blive randomiseret i et forhold på 1: 1: 1 ved hjælp af en computergenereret randomiseringsalgoritme til dybt indlæringssystem (ARM A) eller bordcertificeret tandlæge med dybt læringssystem (ARM B) eller ikke-certificerede sundhedsudbydere (praktiserende læger) med dybt læringssystem (ARM C). Det dybe læringssystem i arm B og C ville kun blive brugt til efterfølgende sammenligning og ville ikke hjælpe manuel fortolkning.

Hovedresultater og mål: Det primære resultat er følsomheden og specificiteten for de tre henvisningskvaliteter (godartet (grøn), potentielt ondartet (gul) og ondartet (rød)) af det dybe læringssystem, tandlæger og ikke-certificerede sundhedsudbydere. Området under kurven (AUC) for hver modtagerdriftskarakteristik (ROC) -kurve beregnes også. Det sekundære resultat er emners feedback af komforten under eksamen og den tid, der er nødvendig til vurdering.

Forventede resultater:

Vi antager, at de dybe læringssystemer vil have en højere følsomhed ved påvisning af OPMD og oral kræft, mens tandlæger og praktiserende læger udviser højere specificitet i screeningen. Resultaterne kan hjælpe os med at forbedre den orale kræftscreeningsfremmende promoveringsproces.