[基于深度学习的儿科全景放射图上牙数异常的识别模型]
1Department of Pediatric Dentistry, Peking University School and Hospital of Stomatology & National Center for Stomatology & National Clinical Research Center for Oral Diseases & National Engineering Research Center of Oral Biomaterials and Digital Medical Devices & Beijing Key Laboratory of Digital Stomatology, Beijing 100081, China.
概括
一个深度学习模型使用全景放射图准确地识别了儿童的牙数异常. 这种人工智能工具可以帮助牙医诊断多余或缺失牙等疾病,从而改善儿科牙科护理.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 牙数异常在儿童中很常见.
- 早期检测对于有效的牙科治疗和管理至关重要.
- 全景放射是儿科牙科中标准的成像技术.
研究的目的:
- 开发和评估一种深度学习模型,用于识别儿科全景放射图上的牙数异常.
- 评估模型在检测诸如多余牙和缺失牙等条件的准确性.
- 为改善牙异常的诊断提供人工智能辅助的工具.
主要方法:
- 一个使用ResNet-50架构的深度学习模型在1707张儿科全景放射图上进行了训练.
- 数据集包括4至11岁儿童的图像,数据分为培训,验证,内部测试和外部测试集.
- 该模型的评估基于灵敏度,特异性,正预测值,负预测值和卡帕值来分类牙数异常.
主要成果:
- 深度学习模型实现了高诊断准确性,在内部和外部测试集中,灵敏度,特异性和积极预测值都超过了97%.
- 该模型在分类牙数异常方面表现出强烈一致,卡帕值为0.886 (内部) 和0.912 (外部).
- 该模型成功地确定了额外牙的存在和位置,并精确地确定了缺失的永久牙.
结论:
- 基于深度学习的模型可以有效地从全景放射图中识别儿童的牙数异常.
- 开发的AI工具显示出有很大的潜力,可以帮助临床医生诊断诸如多牙和缺牙等疾病.
- 这项技术可以提高儿科牙科实践中的诊断效率和准确性.
