在CBCT上检测周周病变的新型AI模型:CBCT-SAM

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:

• 周围的病变可能是微妙的,在X光扫描中可能会错过,特别是经验较少的牙医.
• 在形光束计算机断层扫描 (CBCT) 上的无症状或早期病变需要仔细评估,特别是当扫描不是主要用于内牙评估时.
• 现有的算法有助于放射评估,但需要新的AI解决方案来提高诊断准确性.

研究的目的:

• 评估一种新的人工智能 (AI) 模型CBCT-SAM在检测CBCT图像上的周周病变方面的有效性.
• 将CBCT-SAM的诊断和细分性能与其他AI模型进行比较,并评估其临床应用潜力.

主要方法:

• 用于模型培训和验证,使用了来自185名确诊患有周周病变的患者的CBCT扫描.
• 手动细分是由经过培训的操作员进行的,并由大面部放射科医生验证.
• 将CBCT-SAM的诊断和细分性能 (带有和没有其渐进式预测改进模块) 与修改的U-Net和PAL-Net进行了比较,使用准确度,灵敏度,特异性,精度和子相似系数 (DSC) 等指标.

主要成果:

• CBCT-SAM实现了高诊断精度 (98.92% ± 10.37%) 和细分精度 (99.65% ± 0.66%).
• 在细分精度,灵敏度和DSC方面,CBCT-SAM和PAL-Net显著超过了修改后的U-Net.
• 与PAL-Net相比,在CBCT-SAM中加入渐进式预测改进模块导致诊断和细分性能略有改善.

结论:

• 在CBCT扫描上,CBCT-SAM展示了专家级别的能力,以识别CBCT扫描上的周围病变.
• 人工智能在放射评估中的整合可以提高牙医的诊断准确性和效率,减少错误诊断,促进早期治疗.