将公共数据集结合起来,用于在全景放射图中进行自动化牙评估

科学领域:

• 人工智能在牙科中的应用
• 口腔辐射学 口腔辐射学
• 机器学习用于医学成像

背景情况:

• 全景射线图 (PRs) 对于评估口腔和面病理至关重要.
• 人工智能 (AI) 具有提高牙科成像诊断准确性的潜力.
• 公共可用的数据集越来越多地被用于牙科AI研究.

研究的目的:

• 评估在牙科人工智能研究中使用聚合公共数据集的优势和挑战.
• 开发和评估一种新的两阶段人工智能模型,用于同时对牙进行细分,FDI编号和对PRs进行病理诊断.
• 确定影响牙科诊断人工智能模型性能的关键因素.

主要方法:

• 来自OdontoAI和DENTEX的综合数据集对AI模型开发提出了挑战.
• 实施了两阶段的人工智能模型:用FDI编号对牙实例进行细分,然后对,受影响的牙和周周病变进行多标签分类.
• 使用FROC和mAP评估细分;使用ROC,F1和AUC指标的诊断准确性.

主要成果:

• 人工智能模型在牙细分方面取得了高精度 (FROC=0.988,mAP=0.848) 并影响了牙诊断 (F1=0.901,AUC=0.996).
• 对于深 (F1=0.683),早期 (F1=0.662) 和周周病变 (F1=0.603) 观察到中度的准确性.
• 模型性能与注释质量正相关;数据集的不准确性 (错误阳性/负性) 对结果产生了负面影响.

结论:

• 公共数据集的汇集加速了人工智能模型的开发和牙科研究中的新任务探索.
• 公共数据集的标准化质量保证对于可靠的AI结果和偏差缓解至关重要.
• 这项研究表明了全面的人工智能方法用于分析全景放射图的可行性.