通过深度学习技术自动检测膜骨损失在咬伤翼和周周内口内射线图:初步评估
Amjad AlGhaihab1,2,3, Antonio J Moretti4, Jonathan Reside4
1Department of Maxillofacial Surgery and Diagnostic Sciences, College of Dentistry, King Saud bin Abdulaziz University for Health Sciences, Riyadh 11481, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|March 13, 2025
概括
深度学习软件Denti.AI在检测放射性骨损失 (RBL) 中显示了临床上可接受的性能,用于诊断牙周病. 虽然准确的周围图像,进一步的改进被建议用于咬翅的X线图.
科学领域:
- 牙科诊断 牙科诊断 牙科诊断
- 医疗保健中的人工智能
- 牙周病学 牙周病学
背景情况:
- 牙周病的诊断依赖于放射性骨损失 (RBL) 的评估.
- 根据2017年AAP/EFP分类,准确的RBL评估对于牙周炎的分期和分级至关重要.
- 像Denti.AI这样的深度学习 (DL) 工具提供了提高诊断准确性的潜力.
研究的目的:
- 为了评估Denti.AI的诊断准确性,Denti.AI是FDA批准的使用卷积神经网络 (CNN) 的软件,用于检测口腔内X光片中的RBL.
主要方法:
- 分析了一组数据集,其中包括39张口腔内射线图 (22张周围,17张咬牙) 和316张牙表面.
- 放射性骨损失 (RBL) 根据2017年AAP/EFP分类进行了评估.
- 由三个牙科专家组成的共识小组作为参考标准.
主要成果:
- Denti.AI 实现了81%的准确度,用于周围的X射线图 (76%的灵敏度, 86%的特异性).
- 对于咬翼放射图,Denti.AI实现了76%的精度 (65%的灵敏度,90%的特异性).
- 平均绝对误差 (MAE) 是0.046%的周周和0.499毫米的咬翼X-射线.
结论:
- Denti.AI在RBL检测方面表现出临床上可接受的性能.
- 该软件显示出作为辅助工具的潜力,以支持牙周科的临床决策.
- 进一步的优化可能会提高Denti.AI对咬翼放射图的准确性.
