通过ResNet-Transformer深度学习模型的辅助检测,可以发现密集的外流
Siwei Wang1, Jialing Liu2, Shihao Li3
1State Key Laboratory of Oral Diseases & National Center for Stomatology & National Clinical Research Center for Oral Diseases & Department of Pediatric Dentistry, West China Hospital of Stomatology, Sichuan University, Chengdu, Sichuan, China.
International journal of paediatric dentistry
|November 15, 2024
概括
一个新的深度学习模型有助于早期探测密度假象,优于牙医. 这种人工智能工具提高了这种牙异常的诊断准确度,这对于保持脉活力至关重要.
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:
- Dens evaginatus是一种发育异常,如果不及早发现,可能导致结核骨折和脉疾病等并发症.
- 早期诊断和干预对于在密度发泄的情况下保持脉活力至关重要.
研究的目的:
- 开发一个深度学习模型,用于早期和准确的诊断密度发泄.
- 评估模型的性能及其在协助牙科专业人员的有效性.
主要方法:
- 在1410名患者 (3-16岁) 的全景放射图上训练了一种深度学习模型.
- 使用高质量的注释,使得可以自动检测阴影密度.
- 评估了模型的性能,并评估了它对牙医诊断准确性的影响.
主要成果:
- 深度学习模型实现了高灵敏度 (0.8600) 和特异性 (0.9200).
- 与牙医平均值 (0.8780) 相比,该模型显示出更高的F1得分 (0.8866),表明更高的精度.
- 使用该模型的牙医显示出更好的诊断准确性,特别是在识别牙细菌中的密度.
结论:
- 深度学习的整合显著提高了牙医检测阴影密度的能力.
- 开发的模型在提高诊断能力和促进对这种牙科异常的及时干预方面显示出有希望.
