Anwendung und Validierung eines Smartphone-basierten Deep-Learning-Systems für mündliche potenziell bösartige Störungen und Mundkrebs-Screening

Hintergrund:

Mundkrebs ist nach wie vor eine der Hauptursachen für krebsbedingte Todesfälle in Taiwan und weltweit. Künstliche Intelligenz hat das Potenzial, das Screening von Mundkrebs zu verbessern und eine frühzeitige Erkennung zu ermöglichen, indem Probleme mit hoher Qualität mit hochwertigen Lösungen angegangen werden.

Objektiv:

Validierung der Genauigkeit des Smartphone-basierten Deep Learning Systems bei der Erkennung von mündlichen potenziell malignen Erkrankungen (OPMD) und Mundkrebs und dem Nachweis und gleichzeitig auch so effektiv wie die Bewertungen von Zahnärzten und nicht zertifizierten Gesundheitsdienstleistern.

Methoden:

Design, Setting und Teilnehmer: Eine offene, dreiarmige, randomisierte kontrollierte Studie wird in einem medizinischen Zentrum im Norden Taiwans zwischen Januar 2025 bis Dezember 2025 durchgeführt. Die Studie umfasst Probanden im Alter von 18 Jahren oder älter, die das Cancer Screening Center für alle Arten von Screening besuchen. Risikofaktoren für Mundkrebs wie Rauchen oder Kauen von Betelnuss oder Alkoholtrinken würden von anonymen Fragebögen aufgezeichnet.

Interventionen: Berechtigte Probanden würden in einem Verhältnis von 1: 1: 1 unter Verwendung eines computergenerierten Randomisierungsalgorithmus zum Deep-Lern-System (ARM A) oder des vom Board zertifizierten Zahnarztes mit Deep-Lern-System (ARM B) oder nicht zertifizierten Gesundheitsdienstleistern (allgemeine Praktiker) mit Deep-Lern-System (Arm C) randomisiert. Das Deep -Learning -System in Arm B und C würde nur für den nachfolgenden Vergleich verwendet und würde keine manuelle Interpretation unterstützen.

Hauptergebnisse und -messungen: Das primäre Ergebnis ist die Empfindlichkeit und Spezifität für die drei Überweisungsklassen (gutartig (grün), potenziell bösartig (gelb) und bösartig (rot) durch das Deep-Lern-System, Zahnärzte und nicht zertifizierte Gesundheitsdienstleister. Die Fläche unter der Kurve (AUC) für jeden Empfängerbetriebsmerkmal (ROC) wird ebenfalls berechnet. Das sekundäre Ergebnis ist das Feedback der Probanden zur Bequemlichkeit während der Prüfung und die für die Bewertung erforderliche Zeit.

Erwartete Ergebnisse:

Wir nehmen an, dass Deep -Lern -Systeme eine höhere Empfindlichkeit bei der Erkennung von OPMD- und Mundkrebs aufweisen werden, während Zahnärzte und Allgemeinärzte eine höhere Spezifität beim Screening aufweisen. Die Ergebnisse könnten uns bei der Verbesserung des Förderungsprozesses für Mundkrebs -Screening unterstützen.