Modelo de clasificación jerárquica de etiquetas múltiples para la evaluación de la cicatrización de los encajes de...

Área de la Ciencia:

• Radiología oral y maxilofacial
• Inteligencia artificial en odontología
• Análisis de imágenes médicas

Sus antecedentes:

• La evaluación de la cicatrización de la cavidad de extracción es crucial para la planificación de los implantes dentales.
• Los métodos actuales de tomografía computarizada de haz de cono (CBCT) luchan por diferenciar el tejido blando del hueso tejido y carecen de una clasificación estandarizada.
• Esto limita la planificación precisa del tratamiento para los implantes dentales.

Objetivo del estudio:

• Desarrollar un modelo jerárquico de clasificación de etiquetas múltiples para la evaluación de la cicatrización de los enchufes de extracción basado en la CBCT.
• Mejorar la precisión y la estandarización de la evaluación de la curación posterior a la extracción.
• Para apoyar la planificación personalizada del tratamiento de implantes dentales.

Principales métodos:

• Se estableció un nuevo sistema de clasificación con dos niveles: Nivel 1 (curación fisiológica frente a patológica) y Nivel 2 (5 subtipos).
• La arquitectura HierTransFuse-Net, que integra ResNet50 y un transformador 2D, se utilizó para la clasificación jerárquica de múltiples etiquetas.
• Se utilizó un principio de diagnóstico estratificado con algoritmos forestales aleatorios para la planificación del tratamiento.

Principales resultados:

• HierTransFuse-Net logró un excelente rendimiento con una precisión de 0,9705 y una puntuación mF1 de 0,9253.
• El modelo demostró una fiabilidad diagnóstica superior (κω = 0,9234) en comparación con los clínicos (media κω = 0,7148).
• Los modelos forestales aleatorios predijeron vías clínicas con una precisión del 81,48% y una puntuación de mF1 del 82,5%.

Conclusiones:

• HierTransFuse-Net distingue efectivamente los estados y subtipos de curación de los enchufes de extracción de las imágenes de CBCT.
• El sistema de clasificación jerárquica imita el razonamiento clínico para una estratificación precisa de la enfermedad.
• Los algoritmos forestales aleatorios son prometedores para predecir vías clínicas, apoyando las decisiones de tratamiento personalizadas.