开发和评估一个深度学习细分模型,用于评估非手术内牙治疗结果在周围的X射线图:一个回顾性研究

科学领域:

• 牙科 牙科是指牙科的专业.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 预测非手术内牙治疗结果对于患者护理和治疗规划至关重要.
• 目前的方法依赖于对放射图像的主观解释,这种解释可能是可变的.
• 深度学习为客观和准确的结果预测提供了一个潜在的解决方案.

研究的目的:

• 评估基于深度学习的细分模型,用于预测非手术内牙治疗结果.
• 为了比较模型的表现与临床医生与没有人工智能辅助.

主要方法:

• 追溯分析了1200张来自常规根管治疗的周周放射图像,随访时间为3年.
• 利用基于面具区域的卷积神经网络 (面具R-CNN) 进行像素智能的根细分和结果预测 (愈合,愈合,疾病).
• 模型的性能在测试组中进行评估,并与120张独立图像中的全科医生和内牙科医生进行比较.

主要成果:

• 面具R-CNN模型实现了高预测精度,平均平均精度 (mAP) 为0.88.
• 该模型在所有结果类别中表现出强的表现:治愈 (0.91),治愈 (0.83),疾病 (0.91).
• 在人工智能辅助下,临床人员的表现显著改善,一般医生的mAP从0.75增加到0.84,内牙科医生从0.88增加到0.92.

结论:

• 基于深度学习的细分模型显示了从放射图像中预测非手术内牙治疗结果的巨大潜力.
• 人工智能模型有效地帮助临床医生,提高诊断准确度,并可能提高内牙治疗规划和成功率.