在全景射线图上基于深度学习的周周损伤检测

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:

• 周周病变 (PL) 是全景放射图 (PRs) 的常见发现.
• 准确检测PL对于及时诊断和治疗计划至关重要.
• 人工智能 (AI) 系统为改善放射性解释提供了潜力.

研究的目的:

• 评估基于AI的Diagnocat系统 (DC) 在全景射线图 (PRs) 上检测周周病变 (PL) 的准确性.
• 评估性能指标,包括人工智能工具的灵敏度,特异性和诊断准确性.
• 研究诸如 palatoglossal空气空间 (PGAS) 和特定牙类型等因素对AI检测精度的影响.

主要方法:

• 分析了来自357个PR的616颗牙的数据集,包括308颗牙和308颗没有可见PL的牙.
• 根据放射性迹象将牙分为几组:,冠状恢复和根管填充.
• 对Diagnocat系统的卷积神经网络 (CNN) 性能进行了评估,使用灵敏度,特异性,预测值和诊断准确度.

主要成果:

• 诊断系统的整体灵敏度为0.78,特异性为1.00,诊断准确度为0.89.
• 第二组 (牙冠状恢复) 显示出最高的性能,灵敏度,特异性和精度分别为0.84,1.00和0.95.
• palatoglossal空气空间 (PGAS) 并没有显著影响PL检测 (p=1). 较低的检测准确性被注意到中央切口,智慧牙,和狗.

结论:

• 基于CNN的Diagnocat系统展示了作为一个决策支持工具的重大潜力,用于在全景射线图上诊断周围病变.
• 人工智能系统可以帮助临床医生进行放射性评估,提高诊断效率.
• 可能需要进一步细化,以提高特定牙类型的检测准确度,例如犬类.