用全景射线图进行自动深度学习对周周病变的细分:人工智能研究

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:

• 周围牙周炎通常在全景放射图上呈现为放射性光病变.
• 准确检测这些病变对于及时诊断和治疗至关重要.

研究的目的:

• 评估基于U2-Net的人工智能 (AI) 模型的诊断准确性,用于检测牙科全景放射图上的牙周病变.
• 评估AI模型在帮助临床医生诊断和提高工作流程效率方面的潜力.

主要方法:

• 一个回顾性分析的400幅全景射线图含有周围的辐射发光.
• 两位独立检查员手动标记了780个周围的放射性发光.
• 使用深度监督算法训练U2-Net架构AI模型.

主要成果:

• 人工智能模型在验证组中获得了0.8的子得分.
• 该模型在测试组上显示了0.82的精度,0.77的回忆和0.8的F1得分.
• 基于U2-Net的人工智能模型准确诊断了周周病变.

结论:

• 基于U2-Net架构的AI模型在从全景X射线图中诊断周周病变时显示出高准确度.
• 人工智能工具提供了有前途的应用程序,以支持牙医在诊断周边辐射发光和规划程序.
• 建议在未来的研究中使用更大的数据集,以进一步提高AI诊断的准确性.