评估深度学习和卷积神经网络算法用于用放射图像检测下骨折:一个系统的审查和元分析
Mahmood Dashti1, Sahar Ghaedsharaf2, Shohreh Ghasemi3
1Dentofacial Deformities Research Center, Research Institute of Dental Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Imaging science in dentistry
|October 7, 2024
概括
深度学习算法显示,在牙X射线上检测下骨折是有前途的. 然而,目前的准确性受到小数据集的限制,需要进一步研究临床应用.
科学领域:
- 牙科 牙科是指牙科的专业.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 人工智能 (AI) 和深度学习在牙科中越来越多地用于图像分析.
- 有限的数据存在于AI的准确性检测下骨折从X射线图像.
研究的目的:
- 进行元分析,评估AI算法用于检测下骨折的准确性.
- 综合当前关于AI在牙科应用中的诊断性能的证据.
主要方法:
- 在主要数据库 (PubMed/Medline,Scopus,Embase,Web of Science) 中使用PRISMA指南进行系统的文献搜索.
- 使用 QUADAS-2 工具对包含的研究进行质量评估.
- 使用STATA软件对诊断准确性参数进行集体分析.
主要成果:
- 五项研究符合纳入标准,所有这些研究都使用全景放射学上的卷积神经网络.
- 聚合灵敏度为0.971 (95% CI:0.881-0.949) 和特异性为0.813 (95% CI:0.797-0.824). 聚合灵敏度是0.971 (95% CI:0.881-0.949) 和特异性是0.813 (95% CI:0.797-0.824). 聚合灵敏度是0.971 (95% CI:0.881-0.949) 和特异性是0.813 (95% CI:0.797-0.824).
- 诊断几率比为7.109 (95% CI:5.27-8.913). 这是一个很好的结果.
结论:
- 深度学习算法证明了在全景放射图上识别下骨折的潜力.
- 人工智能的有效性目前受到有限和狭窄的数据集的限制.
- 用更大,更多样化的数据集进行进一步的研究对于验证临床牙科实践中AI准确性至关重要.
