cbctベースの抽出ソケットヒーリングの評価とインプラント治療計画を支援するための層別診断意思決定のための階層的なマルチラベル分類モデル

科学分野:

• 口腔および面放射線科
• 歯科における人工知能
• 医学画像分析

背景:

• 抽出ソケットの治癒を評価することは 歯科インプラントの計画に不可欠です
• 現在のコンビームコンピュータトモグラフィー (CBCT) 方法は,軟組織と織り込まれた骨を区別するのに苦労し,標準化された分類がありません.
• これは歯科インプラントの正確な治療計画に制限を及ぼします.

研究 の 目的:

• CBCTベースの抽出ソケット治癒評価のための階層的なマルチラベル分類モデルを開発する.
• 抽出後の治癒の評価の正確性と標準化を向上させる.
• パーソナライズされた歯科インプラント治療の計画を支援します.

主な方法:

• 2つのレベルであるレベル1 (生理学的対病学的治癒) とレベル2 (5つのサブタイプ) の新しい分類システムが確立されました.
• ResNet50と2Dトランスフォーマーを統合したHierTransFuse-Netアーキテクチャは,階層的なマルチラベル分類に使用されました.
• ランダムフォレストアルゴリズムによる分層診断原理が治療計画に用いられました.

主要な成果:

• HierTransFuse- NetはmAccuracy 0.9705とmF1スコア 0.9253で優れた性能を達成しました.
• このモデルは,臨床医と比較して優れた診断信頼性 (κω = 0. 9234) を示した (平均 κω = 0. 7148).
• ランダムフォレストモデルは81. 48%の精度と82.55%のmF1スコアで臨床経路を予測した.

結論:

• HierTransFuse-Netは,抽出ソケットヒーリングステータスとCBCT画像のサブタイプを効果的に区別します.
• 階層的な分類システムは,正確な病気の階層化のための臨床的推論を模倣します.
• ランダムフォレストのアルゴリズムは 臨床的経路を予測し パーソナライズされた治療決定をサポートします