可解释的人工智能用3D形状分析来量化腺缩相关的上呼吸道阻塞.
Claudia Trindade Mattos1, Lucie Dole2, Sergio Luiz Mota-Júnior3
1Department of Orthodontics, Faculdade de Odontologia, Universidade Federal Fluminense, Rua Mário Santos Braga, 30, 2° andar, sala 214, Centro, Niterói, RJ, CEP 24020-140, Brazil; Department of Orthodontics and Pediatric Dentistry, School of Dentistry, University of Michigan, 1011 North University Avenue, Ann Arbor, Michigan, 48104, USA.
Journal of dentistry
|March 16, 2025
概括
一个可解释的AI模型从3D CBCT扫描中准确地分类和量化上呼吸道阻塞. 该工具有助于临床医生评估腺增大,改善儿科患者的诊断和治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 腺体缩经常导致儿童上呼吸道阻塞.
- 准确评估阻塞的严重程度对于有效的治疗规划至关重要.
- 目前评估气道阻塞的方法可能是主观的,耗时的.
研究的目的:
- 开发和验证一个可解释的人工智能 (AI) 模型,用于分类和量化与腺缩相关的上呼吸道阻塞.
- 为此目的,利用圆束计算机断层扫描 (CBCT) 的三维 (3D) 形状分析.
- 提高诊断准确度和简化评估过程.
主要方法:
- 分析了400个来自5-18岁患者的CBCT扫描.
- 计算鼻气道阻塞 (NAO) 比率用于地面真相标签.
- 训练使用多视图和点云方法的深度学习模型,用于3D形状分析,分类和量化.
- 使用表面梯度加权类激活映射 (SurfGradCAM) 进行解释.
主要成果:
- 人工智能模型在分类 (AUC 0.77-0.94) 和量化任务中表现出强的表现.
- 对于严重阻塞的优异区分能力 (级别3和4:AUC0.88和0.94).
- 在预测NAO比率时,高相关性 (0.854) 和R2 (0.728),可解释性热图突出重点区域.
结论:
- 可解释的AI模型有效地使用3D CBCT分析对腺缩相关的上呼吸道阻塞进行了分类和量化.
- 这种自动化工具提供了一种可靠的标准化评估方法,增强了临床信心.
- 该模型的可解释性改善了诊断工作流程和患者沟通,有助于治疗规划.
