机器学习算法用于诊断儿童的III类缺陷
Ling Zhao1, Xiaozhi Chen2, Juneng Huang3
1Department of Orthodontics, Guangxi Medical University College of Stomatology, Nanning 530021, China.
Children (Basel, Switzerland)
|July 27, 2024
概括
这项研究引入了一种机器学习模型,使用头脑测量数据对儿童的III类缺陷分类. 该模型有效地识别牙,骨和功能类型,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
- 医疗成像医学成像
背景情况:
- 人工智能 (AI) 已经在医疗诊断方面取得了先进的进展,但尚未应用于对儿童的III类缺陷进行分类.
- 第三类错位需要准确的分类,以进行有效的治疗计划.
研究的目的:
- 开发和验证一款创新的机器学习 (ML) 模型,用于自动分类儿童的牙,骨和功能性III类缺陷.
- 为了确定预测III类缺陷重度的关键脑膜测量特征.
主要方法:
- 利用了666名儿童 (4-14岁) 的脑力测量数据,分析了46次测量.
- 应用递归特征消除 (RFE) 来从最初的46个中选择14个重要的特征.
- 开发和评估了10个ML模型,高斯过程回归 (GPR) 被选择为基于AUC和使用SHAP的可解释性分析的最佳模型.
主要成果:
- 高斯过程回归 (GPR) 模型实现了最高的曲线下面积 (AUC) 0.879.
- 在GPR与其他高性能模型之间没有发现显著的统计差异 (p > 0.05).
- 为分类确定的主要特征包括SN-GoMe,U1-NA,Overjet,ANB和AB-NPo.
结论:
- 使用头计数据的ML模型可以有效地帮助牙医分类儿科III类恶性闭塞.
- 像SN-GoMe,U1-NA和Overjet这样的头脑测量指标对于预测缺陷严重程度非常有价值.
