ETD

• deep learning
• oral cancer
• photographic imaging
• XAI

Oral cancer remains a major global health concern with high mortality rates due to late-stage diagnosis. Early detection is critical, yet traditional screening is often limited by resource constraints and the need for specialist expertise. This thesis investigates automated oral cancer screening using deep learning (DL) to develop accessible tools that utilize standard photographic images rather than specialized equipment.
This research approaches screening through both performance-driven and human-centric perspectives. First, we develop DL-based methods for classification, lesion detection, and semantic segmentation, proving that pathological patterns can be identified in standard photographs. Second, we address the "black box" nature of AI by introducing a human-centered interpretability framework. We propose a novel IDL-CBR approach that integrates Informed Deep Learning (IDL) with Case-Based Reasoning (CBR) to align model outputs with clinical logic.
The contributions of this work are fourfold: the design of an explainable screening system that prioritizes clinical trust; the development of robustness strategies to mitigate image noise and acquisition variability; a comprehensive benchmarking of state-of-the-art DL architectures for oral pathology; and the release of a curated, public dataset to foster collaborative research.

Il cancro orale rappresenta ancora una rilevante problematica di salute globale, con elevati tassi di mortalità dovuti alla diagnosi in fase avanzata. La diagnosi precoce è fondamentale, ma lo screening tradizionale è spesso limitato dalla disponibilità di risorse e dalla necessità di competenze specialistiche. Questa tesi analizza lo screening automatizzato del cancro orale mediante tecniche di deep learning (DL), con l’obiettivo di sviluppare strumenti accessibili che utilizzino immagini fotografiche standard anziché apparecchiature specializzate.
La ricerca affronta lo screening sia da una prospettiva orientata alle prestazioni sia da una centrata sull’essere umano. In primo luogo, sviluppiamo metodi basati su DL per la classificazione, il rilevamento delle lesioni e la segmentazione semantica, dimostrando che è possibile identificare pattern patologici in fotografie standard. In secondo luogo, affrontiamo la natura di “scatola nera” dell’intelligenza artificiale introducendo un framework di interpretabilità centrato sull’utente. Proponiamo un nuovo approccio IDL-CBR che integra Informed Deep Learning (IDL) con il Case-Based Reasoning (CBR), al fine di allineare gli output del modello con la logica clinica.
I contributi di questo lavoro sono quattro: la progettazione di un sistema di screening spiegabile che privilegia la fiducia clinica; lo sviluppo di strategie di robustezza per mitigare il rumore delle immagini e la variabilità di acquisizione; una valutazione comparativa completa delle più avanzate architetture di deep learning per la patologia orale; e la pubblicazione di un dataset curato e accessibile pubblicamente, volto a favorire la ricerca collaborativa.