歯周骨吸収の分類のためのハイブリッドMMBERTフレームワーク：視覚情報とテキスト情報の統合

科学分野:

• 歯学
• 人工知能
• 医用画像

背景:

• 歯周炎は、骨吸収と歯の不安定性を引き起こす慢性炎症性疾患です。
• 歯周炎の早期診断は、効果的な治療のために非常に重要です。
• mmBERTのような既存のマルチモーダル深層学習モデルは、画像のばらつきやデータ不足といった課題に直面しています。

研究 の 目的:

• 歯周炎検出における診断精度の向上のためのハイブリッドmmBERTフレームワークを提案すること。
• 口腔内根尖性（IOPA）レントゲン写真を用いた歯周骨吸収の予測を改善すること。

主な方法:

• 専門家によるアノテーション付きの150枚のIOPA画像データセットが利用されました。
• 臨床ノートはClinicalBERTを使用して処理され、画像はResNet50によって処理されました。
• マルチモーダルBERT（mmBERT）モデルは、クロスモーダルトランスフォーマーを介して画像とテキストの埋め込みを融合しました。

主要な成果:

• ハイブリッドmmBERTフレームワークは、予測マスクとグラウンドトゥルースマスクの間に強い重なりを示しました。
• モデルは高いIoU（Intersection over Union）と境界精度を達成しました。
• mmBERTモデルは、99.11%のトレーニング精度と100%のテスト精度を達成し、堅牢性を示しました。

結論:

• 本研究では、mmBERTアーキテクチャを使用した歯周骨吸収の新しい分類方法を提示します。
• このフレームワークは、歯周炎のレントゲン写真解釈において有望なパフォーマンスを示しています。
• その臨床応用を探求するためには、さらなる研究が必要です。