深度学习和集群方法用于牙植入物大小分类,基于周围的X射线图
Ji-Hyun Park1, Hong Seok Moon1, Hoi-In Jung2
1Department of Prosthodontics, Yonsei University College of Dentistry, Yonsei-ro 50-1, Seodaemun-gu, Seoul, 03722, Korea.
Scientific reports
|October 6, 2023
概括
两种人工智能 (AI) 方法,深度学习和聚类,可靠地从X光片中分类牙植入物大小. 两种人工智能模型都显示出高精度,深度学习显示出牙植入物测量略高的性能.
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:
- 准确的牙植入物大小分类对于治疗规划至关重要.
- 从周周放射图进行手动分类可能是耗时且主观的.
- 使用人工智能的自动化方法为提高效率和准确性提供了潜力.
研究的目的:
- 研究和比较两种人工智能 (AI) 方法,用于牙植入物直径和长度的自动分类.
- 评估深度学习 (DL) 和聚类分析模型在分类植入物大小中的性能.
- 评估模型调整对分类性能的影响.
主要方法:
- 使用VGG16模型的深度学习 (DL) 应用于周围放射图.
- 聚类分析在植入物特征向量上使用了k-means++算法.
- 两种模型都将牙植入物大小分为九个不同的组.
- 使用包括精度,灵敏度,特异性,F1得分和AUC-ROC在内的指标来评估性能.
主要成果:
- 最终的DL模型实现了高性能指标,AUC-ROC为0.975.
- 最终的集群模型也显示出可靠的性能,AUC-ROC为0.947.
- 在对DL和聚类方法进行模型调整后,观察到具有统计意义的性能改善.
结论:
- 深度学习和集群分析都显示出可靠的性能,用于自动化牙植入物大小分类从周围的X射线图.
- 在广泛临床应用之前,人工智能模型需要对各种多中心数据进行进一步验证.
- 这些人工智能方法对改善牙科治疗的规划和执行充满了希望.
