Tillämpning och validering av ett smarttelefonbaserat djupinlärningssystem för orala potentiellt maligna störningar och screening av oral cancer

Bakgrund:

Oral cancer är fortfarande en av de främsta orsakerna till cancerrelaterade dödsfall i Taiwan och världen över. Konstgjord intelligens har potential att förbättra oral cancer screening, vilket möjliggör tidig upptäckt genom att ta itu med problem med hälso- och sjukvård med högkvalitativa lösningar.

Mål:

För att validera det smarttelefonbaserade djupinlärningssystemets noggrannhet när det gäller att upptäcka orala potentiellt maligna störningar (OPMD) och oral cancer, samtidigt som det visar att det är lika effektivt som bedömningar som utförs av tandläkare och icke-certifierade vårdleverantörer.

Metoder:

Design, inställning och deltagare: En öppen, tre-arm, randomiserad kontrollerad studie kommer att göras i ett medicinskt centrum i norra Taiwan mellan jan 2025 till 2025 dec. Rättegången kommer att omfatta ämnen som är 18 år eller äldre som besöker cancerundersökningscentret för alla typer av screening. Oral cancerriskfaktorer, såsom vanor att röka eller ha tuggad betelmutter eller alkoholdrickning, skulle registreras av anonyma frågeformulär.

Interventioner: Kvalificerade försökspersoner skulle randomiseras i ett 1: 1: 1-förhållande med hjälp av en datorgenererad randomiseringsalgoritm till djupinlärningssystem (ARM A) eller styrelsecertifierat tandläkare med djupinlärningssystem (ARM B) eller icke-certifierade hälso- och sjukvårdsleverantörer (allmänläkare) med djupa inlärningssystem (ARM C). Det djupa inlärningssystemet i arm B och C skulle endast användas för efterföljande jämförelse och skulle inte hjälpa manuell tolkning.

Huvudresultat och åtgärder: Det primära resultatet är känsligheten och specificiteten för de tre remissgraderna (godartade (grönt), potentiellt malig (gul) och malig (röd)) av det djupa inlärningssystemet, tandläkarna och icke-certifierade vårdleverantörer. Området under kurvan (AUC) för varje ROC -kurva (mottagare (ROC) kommer också att beräknas. Det sekundära resultatet är försökspersonernas feedback av komfort under tentamen och den tid som behövs för bedömning.

Förväntade resultat:

Vi antar att djupa inlärningssystem kommer att ha högre känslighet när det gäller att upptäcka OPMD och oral cancer, medan tandläkare och allmänläkare kommer att uppvisa högre specificitet vid screening. Resultaten kan hjälpa oss att förbättra processen för oral cancer screening.