基于人工智能的方法的外部验证,用于在牙科照片中检测和分类切肢低矿化
Julia Neumayr1, Elisabeth Frenkel1, Julia Schwarzmaier1
1Department of Conservative Dentistry and Periodontology, LMU University Hospital, Klinikum der Ludwig-Maximilians-Universität München, Klinik für Zahnerhaltung und Parodontologie, LMU, Goethestraße 70, Munich 80336, Germany.
Journal of dentistry
|July 7, 2024
概括
一个人工智能 (AI) 工具显示出有希望的结果,用于检测和分类牙图像中的牙下矿化 (EH/MIH). 这种经过验证的AI模型准确地识别和细分EH/MIH病变,有助于诊断.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 诊断成像 诊断成像 诊断成像
背景情况:
- 牙面膜低矿化 (EH/MIH) 影响牙面膜的发育,这给诊断带来了挑战.
- 准确检测和分类EH/MIH对于及时干预至关重要.
- 现有的诊断方法可能是主观的,耗时的.
研究的目的:
- 在外部验证一个基于人工智能 (AI) 的开放访问模型,用于检测,分类,定位和细分面膜/骨切割器低矿化 (EH/MIH).
- 以牙科专家的共识作为参考标准来评估AI模型的诊断性能.
主要方法:
- 使用了一个独立的数据集,包括带有和没有EH/MIH的牙的网络图像.
- 一个人工智能模型进行了自动检测,分类和细分EH/MIH.
- 计算了包括精度 (ACC),灵敏度 (SE),特异性 (SP) 和曲线下的面积 (AUC) 在内的诊断指标.
- 评估了EH/MIH病变的定位和细分精度.
主要成果:
- 人工智能模型在EH/MIH检测方面实现了94.3%的整体ACC.
- 人工智能预测与参考标准之间的一致性在所有诊断决策中为89.2%.
- 灵敏度在81.7%至92.8%之间,特异性在91.9%至98.7%之间.
- 人工智能模型在97.3%的病例中正确地定位了EH/MIH,其中63.4%的完全正确和33.9%的部分正确细分.
结论:
- 开放式访问的人工智能工具在外部图像验证中显示出对EH/MIH检测和分类有希望的诊断性能.
- 外部验证的基于人工智能的诊断方法可能会改善在牙科照片中检测EH/MIH病变.
