开发和验证一种深度学习算法,用于对受冲击下第三手术中的手术难度等级进行分类
T Chindanuruks1, T Jindanil2, C Cumpim3
1Department of Oral and Maxillofacial Surgery, Faculty of Dentistry, Chulalongkorn University, Bangkok, Thailand; Oral and Maxillofacial Surgery and Digital Implant Surgery Research Unit, Faculty of Dentistry, Chulalongkorn University, Bangkok, Thailand.
International journal of oral and maxillofacial surgery
|December 4, 2024
概括
一个新的AI算法,YOLOv5,准确地检测受冲击的下第三,并从全景放射图中分类手术困难. 这种工具显示出有助于临床医生和改善查系统的潜力.
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:
- 受影响的下第三须需要精确的放射评估来进行手术规划.
- 分类手术提取难度对于患者安全和治疗结果至关重要.
- 目前的方法依赖于人类的解释,这可能是主观的.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 算法,用于检测受影响的下第三.
- 用全景放射图来分类外科提取难度级别.
- 评估YOLOv5模型与人类专家的性能.
主要方法:
- 使用了1730张全景射线图的数据集,其中1300张用于培训,430张用于测试.
- 一个YOLOv5卷积神经网络 (CNN) 算法被开发用于检测和分类.
- 使用混矩阵,精度回忆曲线和接收器操作特征 (ROC) 曲线评估模型性能,并与两个人类专家比较结果.
主要成果:
- YOLOv5模型在检测受冲击的下第三牙和分类手术难度方面取得了高性能.
- 精度回忆曲线下的面积在手术难度指数变量中从72%到89%不等.
- 将第三骨分为三个手术难度级别的微平均AUC为87%,这表明与人类专家有很好的共识.
结论:
- YOLOv5模型显示了在放射图像中精确检测和分类下第三的巨大潜力.
- 该算法在所有评估标准中表现出高性能,有助于评估手术难度.
- 这种人工智能工具可以提高临床医生的表现,并集成到牙科查系统中.
