歯科用X線写真における多式損傷分類のための説明可能なCNN-ラジオミクス融合とアンサンブル学習

科学分野:

• 歯科における人工知能
• 医学画像分析
• 放射学とディープラーニングの融合

背景:

• 根の末端の病気の診断には 周周放射線検査が不可欠です
• 放射線写真の解釈の誤りは 診断の正確さを制限します
• 歯周病の診断のための 改善された信頼性の高いツールが必要です

研究 の 目的:

• 根源的な病気の検出を強化するための説明可能なマルチモダルのAIフレームワークを開発する.
• 放射性テクスチャーディスクリプターと深層のコンボリューションニューラルネットワーク (CNN) の埋め込みを融合させる.
• Grad-CAMとSHAP値を用いて二重層の説明性を提供する.

主な方法:

• 6つのCNNアーキテクチャによって処理された2285の周回性X線写真のデータセットを使用しました.
• Grad-CAMヒートマップで特定された病変に関連するピクセルから放射性特性を抽出します.
• ランダムフォレストやXGBoostの分類器に 組み込みました
• 強化された推論のための5ビューテスト時間増強 (TTA) を採用した.

主要な成果:

• 原始CNNは約52%の精度とAUC約0.60を達成した.
• 95. 4%の精度と0. 9867のAUCに達した.
• トップ・アンサンブル・モデルは97. 16%の精度と0. 9914のAUCを達成した.
• Grad-CAMは周辺地域を強調し,SHAP値は共同特性の貢献を確認した.

結論:

• 提案されたAIフレームワークは,CNNの埋め込みとマスク標的放射線を最先端の病変検出に統合しています.
• 二重層の説明性 (Grad-CAM + SHAP) は,AIの予測に対する透明性と信頼性を高めます.
• この多様式アプローチは,根末疾患の診断の正確性と解釈の限界を解決します.