通过分析圆束计算机断层扫描报告来估计口腔病变的严重程度:一个拟议的深度学习模型
Sare Mahdavifar1, Seyed Mostafa Fakhrahmad1, Elham Ansarifard2
1Dept. of Computer Science and Engineering and IT, Shiraz University, Shiraz, Iran.
International dental journal
|July 27, 2024
概括
一个深度学习模型准确地区分高风险和低风险的口腔病变,使用形束计算断层扫描 (CBCT) 报告. 这种工具有助于牙医评估口腔病变的严重程度,改善患者护理,减少治疗延迟.
科学领域:
- 口腔放射学和病理学
- 医疗保健中的人工智能
- 深度学习用于医学文本分析.
背景情况:
- 口腔放射学报告后牙科咨询的延迟是常见的,原因是专家不可用和患者相关问题等因素.
- 从放射科医生报告中准确及时评估口腔病变严重程度对于适当的患者管理至关重要.
- 现有的方法可能无法完全捕捉风险分层的文本放射学报告中的细微差别.
研究的目的:
- 开发和评估一个深度学习模型,以区分高风险和低风险的口腔病变,基于放射科医生报告的形束计算断层扫描 (CBCT) 图像.
- 为牙医提供一个工具,以便快速评估病变严重程度,并指导患者转诊,以便立即治疗或随访.
- 利用文字报告的自然语言处理来改善牙科诊断支持.
主要方法:
- 收集了1134份CBCT放射学报告,来自希拉兹医学科学大学.
- 进行了专家注释,以确定每个口腔病变的严重程度.
- 开发了一个深度学习模型 (CNN-LSTM),利用词嵌入来分析放射科医生报告并检测损伤严重程度.
主要成果:
- 与传统模型相比,拟议的CNN-LSTM模型在精度,回忆和F1得分方面表现出卓越的性能.
- 该模型有效地捕获了文本中的语义相似性,从而能够准确地估计严重程度.
- 结果表明该模型的潜力作为一个可靠的工具,用于早期评估口腔病变的严重程度.
结论:
- 深度学习有效地分析文本牙科报告,以准确区分高风险和低风险的口腔病变.
- 开发的模型可以提供及时警告,促进及时治疗,并减少与延迟护理相关的风险.
- 专家注释的数据集和深度学习模型是促进口腔损伤评估研究的宝贵资源.
