在人工智能模型中应用整个牙科全景图像数据,用于年龄估计
Se Hoon Kahm1, Ji-Youn Kim2, Seok Yoo3
1Department of Dentistry, Eunpyeong St. Mary's Hospital, College of Medicine, The Catholic University of Korea, 1021, Tongil-ro, Eunpyeong-gu, Seoul, 03312, Republic of Korea.
BMC oral health
|December 15, 2023
概括
人工智能模型使用整个牙全景图像准确估计年龄. 具有3年偏差的启发式分组在监督学习模型中显著改善了年龄估计性能.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 准确的年龄估计对于临床和法医应用至关重要.
- 传统方法依赖于牙发育,但人工智能 (AI) 提供了增强的能力.
- 深度学习,特别是神经网络,可以从牙图像中改善年龄估计.
研究的目的:
- 用整个全景牙图像来评估人工智能模型对年龄估计的效率.
- 分析监督学习 (SL) 模型在年龄估计任务中的表现.
- 为了比较不同的数据分组策略及其对AI模型准确性的影响.
主要方法:
- 利用了27877张牙科全景图像的数据集,来自5岁至90岁的个人.
- 采用了两种数据分组类型:个人年龄和启发式分组 (年龄在20岁以上的5年间隔).
- 应用式Wide ResNet (WRN) 和DenseNet (DN) 模型用于监督学习,分析包括±3年偏差.
主要成果:
- 采用启发式分组和±3年偏差的DenseNet (DN) 模型实现了0.7323的精度和0.6583.3的F1得分.
- 具有启发式分组和±3年偏差的Wide ResNet (WRN) 模型实现了0.7323的精度和0.6437.7的F1得分.
- 与个体年龄分组相比,具有±3年偏差的启发式分组显著提高了年龄估计的准确性.
结论:
- 人工智能模型使用整个全景图像与启发式分组和±3年偏差显示满意的性能年龄估计.
- 监督学习模型展示了人工智能在增强传统年龄估计技术方面的潜力.
- 该研究强调了特定数据处理和模型参数的有效性,以准确地确定人工智能驱动的年龄.
