一个人工智能辅助的可解释的mTMCNN架构,用于从全景放射图中检测下第三的存在
İsmail Kayadibi1, Utku Köse2, Gür Emre Güraksın3
1Department of Computer Engineering, Faculty of Engineering and Natural Sciences, Suleyman Demirel University, Isparta, Turkey; Department of Management Information Systems, Faculty of Economic and Administrative Sciences, Afyon Kocatepe University, Afyonkarahisar, Turkey.
International journal of medical informatics
|December 3, 2024
概括
本研究介绍了可解释的下第三卷积神经网络 (E-mTMCNN),用于在全景放射中检测下第三. E-mTMCNN显示出高精度和临床接受度,改善了牙科治疗计划.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 用于牙科诊断的深度学习
背景情况:
- 全景放射 (PR) 对于牙科诊断至关重要,但检测下第三 (m-M3) 可能具有挑战性.
- 准确的m-M3早期检测对于有效的临床决策和治疗规划至关重要.
研究的目的:
- 设计和评估可解释的下第三卷积神经网络 (E-mTMCNN),用于检测PR中的m-M3.
- 提高早期m-M3检测的准确性,并支持牙科治疗规划.
主要方法:
- 从PR图像开发一个新的,公开可访问的下第三 (m-TM) 数据集.
- 应用先进的图像预处理和数据增强技术.
- 使用转移学习 (TL) 的深度学习 (DL) 卷积神经网络 (CNN) 架构的培训和验证,其中E-mTMCNN (基于GoogLeNet) 显示出卓越的性能.
- 整合局部可解释的模型不可知解释 (LIME) 以实现模型透明度和专家调查以进行临床验证.
主要成果:
- 在E-mTMCNN取得了87.02%的分类准确度,75%的灵敏度,94.73%的特异性和87.01%的AUC.
- LIME 集成提供了视觉解释,证实了该模型的决策逻辑.
- 专家调查表明,E-mTMCNN系统的可靠性具有很高的临床接受度和信心.
结论:
- E-mTMCNN有效地检测到PR中的m-M3,超越了当前最先进的方法.
- 该架构具有将其集成到计算机辅助诊断系统中的巨大潜力.
- 这一进步可以提高牙科实践中的早期检测和治疗计划精度.
