在牙科全景放射图中使用人工智能识别骨质疏松症:解决当前研究中的方法缺陷
Robert Gaudin1,2, Shankeeth Vinayahalingam3, Niels van Nistelrooij1,3
1Department of Oral and Maxillofacial Surgery, Charité-Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin and Humboldt Universität zu Berlin, Augustenburger Platz 1, 13353 Berlin, Germany.
Diagnostics (Basel, Switzerland)
|October 25, 2024
概括
这项研究开发了一个使用全景射线图来检测骨质疏松症的AI工具,达到83%的灵敏度. 这为早期骨质疏松症识别提供了一种有希望的非侵入性方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 骨质疏松症研究 骨质疏松症研究
背景情况:
- 骨质疏松症影响60%的50岁以上的女性,诊断往往延迟到骨折发生.
- 目前的诊断方法,如DXA扫描,并不总是用于早期检测.
- 全景放射图 (PRs) 显示了骨质疏松症查的潜力,但需要改进的方法.
研究的目的:
- 开发一个强大的人工智能 (AI) 应用程序,以准确识别骨质疏松症在PRs.
- 解决先前使用PRs检测骨质疏松症的研究中的方法缺陷.
- 创建一个可靠的人工智能工具,通过牙科X射线扫描进行早期骨质疏松症查.
主要方法:
- 使用了348个PR用于模型开发,58个用于验证,51个用于测试.
- 采用YOLOv8对象检测模型来确定PRs感兴趣的区域.
- 使用EfficientNet分类模型检测骨质疏松症的加工提取区域.
主要成果:
- 人工智能模型的整体灵敏度为0.83,骨质疏松症检测F1得分为0.53.
- 该模型的曲线下的面积 (AUC) 为0.76.
- 检测灵敏度因地区而异,精神孔区域显示最高 (0.80).
结论:
- 这项研究展示了一种概念验证的人工智能算法,用于识别PRs中的骨质疏松症.
- 深度学习具有重要的潜力,用于早期发现骨质疏松症,使用牙科放射图.
- 严格的方法评估对于验证医疗诊断中的AI算法性能至关重要.
更多相关视频
07:12Semiautomated Longitudinal Microcomputed Tomography-based Quantitative Structural Analysis of a Nude Rat Osteoporosis-related Vertebral Fracture Model
Published on: September 28, 2017
8.1K
05:49Author Spotlight: Advancing CBCT and Digital Dental Image Integration with AI-Assisted Digitization
Published on: February 23, 2024
774