用手持设备在口腔内QLF图像中使用深卷积神经网络诊断病变
Rukeng Tan1,2, Xinyu Zhu1,2, Sishi Chen1,2
1Guanghua School of Stomatology, Hospital of Stomatology, Sun Yat-sen University, 56th Lingyuanxi Road, Guangzhou, 510055, Guangdong, China.
BMC oral health
|July 2, 2024
概括
一个深层卷积神经网络 (CNN) 有效地使用从新型手持设备的定量光诱导光 (QLF) 图像来诊断牙损伤. 这项技术有望改善临床和家庭环境中的虫查.
科学领域:
- 牙科诊断 牙科诊断 牙科诊断
- 医疗保健中的人工智能
- 生物光子学 生物光子学
背景情况:
- 牙腐烂的诊断依赖于视觉检查,这可能是主观的.
- 量化光诱导光 (QLF) 提供了用于虫检测的客观成像.
- 开发自动诊断工具对于早期干预至关重要.
研究的目的:
- 评估深层卷积神经网络 (CNN) 用于诊断和分阶段牙.
- 使用定量光诱导光 (QLF) 图像来评估CNN的性能.
- 为了验证与AI集成的自制手持QLF成像设备.
主要方法:
- 一个定制的手持设备与紫外线和过器被用于口内QLF成像.
- 通过CNN模型分析了来自133个病例的9,478张QLF图像的数据集.
- 数据集被划分为开发,验证和测试队列 (7:2:1比),以进行可靠的模型评估.
主要成果:
- 在验证队列中,CNN模型表现出强大的诊断性能,曲线下的面积 (AUC) 为0.88.
- 在测试队列中,整体准确度达到0.92,用于检测的高灵敏度为0.95.
- 该模型有效地区分了的阶段,对深层病变表现最好,其次是中间和表面病变.
结论:
- 病变在QLF图像中表现出特征性模式,可通过CNN检测到.
- 与CNN相结合的QLF设备可以作为虫查的宝贵工具.
- 这种人工智能驱动的方法在临床牙科实践和家庭口腔健康监测中都有潜在的应用.
