深度学习用于早期识别牙周炎:一项回顾性多中心研究

科学领域:

• 牙科 牙科是指牙科的专业.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 牙周炎的诊断依赖于专家对放射图像的解释.
• 早期发现牙周炎对于有效治疗和预防牙脱落至关重要.
• 一般牙医可以从先进的工具中获益,以便准确及时诊断.

研究的目的:

• 开发一个深度学习模型,用于准确和早期诊断牙周炎.
• 评估模型的性能与牙周专家和全科医生进行对比.
• 评估深度学习模型在牙周炎诊断中的时间效率.

主要方法:

• 一个卷积神经网络 (CNN) 架构被用来创建一个全景放射图-CNN (PAR-CNN) 模型.
• 该模型使用来自两个不同的大学医院的全景放射图进行了训练和验证.
• 梯度加权类激活映射 (Grad-CAM) 用于可视化感兴趣的区域.

主要成果:

• 在PAR-CNN模型中,曲线下的面积 (AUC) 为0.843,在独立测试组中为0.793.
• 模型准确度 (0.800) 与牙周专家 (0.813) 相似,优于全科医生 (0.693).
• 该模型在0.027秒的X光照中诊断出牙周炎,比专家 (6.042秒) 和全科医生 (13.105秒) 快得多.

结论:

• 深度学习模型在协助牙周炎诊断方面显示出重大潜力.
• 开发的CNN模型可以帮助全科医生快速准确地诊断牙周炎.
• 由人工智能驱动的工具可以增强牙科的诊断能力,改善患者的治疗结果.