受影响的第三关节下部分类和难度指数评估:牙科学生,全科医生和深度学习模型辅助者的比较

科学领域:

• 口腔和牙面部外科手术
• 人工智能在牙科中的应用
• 放射性解读是一种放射性解读技术.

背景情况:

• 准确评估受冲击的下第三 (ILTM) 手术提取难度对于预测并发症和手术时间至关重要.
• 目前的方法依赖于对放射性参数的主观解释.
• 评估人工智能工具,如卷积神经网络 (CNN),可以提高诊断的准确性和效率.

研究的目的:

• 评估CNN在确定ILTM角度,位置,分类和难度指数方面的有效性.
• 为了比较CNN辅助深度学习模型,牙科学生 (DSs) 和全科医生 (GPs) 的性能和解释时间.

主要方法:

• 采用了1200张 ILTM 的切割全景射线图的数据集.
• 使用增强数据训练和验证CNN模型.
• DS和GPs将ILTM参数与CNN辅助和无CNN辅助分类,结果与既定指标和所需时间进行比较.

主要成果:

• 在分类ILTM角,类和位置方面,CNN模型实现了高精度 (87-96%).
• 美国有线电视新闻网的帮助显著提高了DS和GP的准确性和kappa分数.
• 与DS相比,一般医生在分类任务中表现出更快的解释时间,无论有没有CNN帮助.

结论:

• 从全景射线图中进行准确的ILTM分类,CNN是有效的工具.
• 对于牙科学生和全科医生来说,CNN协助提高了诊断性能.
• 在使用CNN进行ILTM评估时,全科医生可以从缩短的解释时间中获益.