检测牙周骨质损失在周周放射-一个使用不同卷积神经网络的诊断研究
Patrick Hoss1, Ole Meyer2, Uta Christine Wölfle1
1Department of Conservative Dentistry and Periodontology, LMU University Hospital, LMU Munich, 80336 Munich, Germany.
Journal of clinical medicine
|November 25, 2023
概括
机器学习模型,特别是卷积神经网络 (CNN),显示出从牙科放射图分类牙周骨损失 (PBL) 的希望. 诊断性能因牙位置而异,表明自动PBL评估的潜力.
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:
- 机器学习模型的应用,特别是卷积神经网络 (CNN),正在为诊断应用在牙科中获得吸引力.
- 在牙科放射图上,CNN提供了准确分类牙周骨损失 (PBL) 的潜力.
研究的目的:
- 分析五种不同的CNN在检测和分类牙周骨损失 (PBL) 的诊断性能.
- 评估CNN的准确性,敏感性,特异性和AUC,以识别不同级别的PBL.
主要方法:
- 采用了21,819张匿名的周周放射图的数据集.
- 训练有素的牙医将放射图分为以下几类:没有PBL,轻度,中度或重度PBL.
- 五个CNN在五个时代中接受了培训,并使用ACC,SE,SP和AUC统计分析了他们的诊断性能.
主要成果:
- 五个CNN的整体诊断性能显示了类似的结果,准确度在82.0%至84.8%之间.
- 灵敏度在88.8-90.7%之间,特异性在66.2-71.2%之间,AUC在0.884-0.913.3%之间.
- 在不同的牙科六分仪中观察到显著的性能变化,下前牙 (94.9-96.0%) 的诊断准确度最高,上后牙 (78.0-80.7%) 的诊断准确度最低.
结论:
- 使用CNN对牙周骨损失 (PBL) 的自动评估似乎是可行的.
- 对于PBL检测CNN的诊断准确性取决于牙内的位置.
- 进一步的研究是必要的,以提高CNN在所有牙区域的性能,以进行全面的PBL评估.
