一项基于改进的卷积神经网络的腺样体面部筛查与诊断模型的研究

《BMC Oral Health》：A study on a screening and diagnostic model for adenoid faces based on an improved convolutional neural network

腺样体面容筛查模型开发及性能验证。采用病例对照研究，纳入325例腺样体面容患者和445例对照组，采集11-14岁患者面部正侧位影像，构建ViT、CrossViT等7种CNN模型。MedMamba模型表现最优（准确率93.3%，AUC 0.957），ResNet34次之（AUC 0.955）。ROC/PR曲线验证所有模型诊断效能。该模型为临床诊断和大规模流行病学筛查提供高效智能工具。

　　

摘要

目的

通过整合多个先进的卷积神经网络（CNN），开发一种自动化、高效的模型，用于筛查和诊断腺样体面容，从而为临床诊断和大规模流行病学筛查提供科学依据。

方法

这项病例对照研究从延安大学附属医院口腔医院儿科牙科部门招募了325名腺样体面容患者和445名面部形态正常的对照组患者（2024年1月至2024年12月）。所有参与者（年龄在11至14岁之间）均提供了正面和侧面的照片，两组在年龄或性别方面没有显著差异（P?>?0.05）。我们从图像中提取面部特征，构建了七个不同的模型：ViT、CrossViT、SimpleViT、DeepViT、ResNet34、VGG19_BN和MedMamba。使用准确性、精确度、敏感性、F1分数和特异性对模型在测试集上的性能进行了严格评估，并通过精确度-召回率（PR）和接收者操作特征（ROC）曲线分析进行了补充。

结果

MedMamba模型的表现优于所有其他模型，其准确率为0.933，精确率为0.909，敏感性为0.975，F1分数为0.941，特异性为0.882。ROC和PR曲线分析证实了这七个模型的强大诊断能力。MedMamba和ResNet34模型的分类性能最高，AUC值分别为0.957和0.955。这些发现表明MedMamba模型是一种高效的大规模流行病学调查初步筛查工具，能够快速识别疑似病例并优化后续专业评估的资源分配。

结论

所提出的腺样体面容筛查模型基于先进CNN的集成，具有高准确性和稳定性。它为临床医生提供了一个有价值的、客观的决策支持工具，并为未来的大规模流行病学研究奠定了坚实的基础。