深度学习和卷积神经网络算法准确度的评估,用于检测和预测2D横向脑电图像上的解剖学地标:2D横向脑电图像上的解剖学地标:2D横向脑电图像上的解剖学地标:2D横向脑电图像上的解剖学地标:2D横向脑电图像的解剖学地标:2D横向脑电图像的解剖
Jimmy Londono1, Shohreh Ghasemi2, Altaf Hussain Shah3
1FACP, Professor and Director of the Prosthodontics Residency Program and the Ronald Goldstein Center for Esthetics and Implant Dentistry, Dental College of Georgia at Augusta University, Augusta, GA, United States.
The Saudi dental journal
|July 31, 2023
概括
机器学习 (ML) 显示了在2D脑电图像中识别解剖学地标的前景,实现了高准确率. 需要进一步的研究来确认其在牙科和正牙科应用中的临床可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 牙科诊断 牙科诊断 牙科诊断
背景情况:
- 头脑测量包括用于临床评估,诊断和手术规划的头骨测量.
- 机器学习 (ML) 算法越来越多地被用于脑力测量,用于地标识别和不规则检测.
- 基于ML的头计成像有可能减少错误,提高准确性,并节省 ортодонтика和牙科实践的时间.
研究的目的:
- 系统地审查和元分析ML软件在2D横向脑电图像上检测和预测解剖学地标的准确性.
- 为了评估ML算法的诊断性能在头脑测量分析中.
主要方法:
- 根据PRISMA指南进行了元分析和系统审查.
- 在五个英语数据库中进行了搜索,符合条件的标准集中在ML诊断准确性和2D横向脑电图像.
- 质量评估使用了QUADAS-2工具,数据使用Review Manager软件进行管理.
主要成果:
- 分析包括21项研究,其中20项采用卷积神经网络 (CNN).
- 聚合的成功地标检测率为65% (1mm),81% (2mm),86% (2.5mm),91% (3mm) 和96% (4mm).
- 使用随机效应模型评估异质性.
结论:
- ML证明了在二维头脑成像中准确检测地标的潜力.
- 在不同研究中,准确性各不相同,突出显示需要进一步研究以确定临床有效性和可靠性.
- 持续的调查对于将ML纳入常规临床环境进行脑仪分析至关重要.
