基于人工智能的模型在诊断牙周性放射性骨损失时的评估
Luanny de Brito Avelino Cassiano1, Jordão Paulino Cassiano da Silva2, Agnes Andrade Martins1
1Department of Dentistry, Federal University of Rio Grande do Norte - UFRN, Rio Grande do Norte, Natal, Brazil.
Clinical oral investigations
|March 19, 2025
概括
这项研究开发了一种使用卷积神经网络的人工智能模型,用于从牙科X射线检测和测量牙周放射性骨损失 (RBL),显示出有前途的诊断潜力.
科学领域:
- 人工智能在牙科中的应用
- 医学成像分析 医学成像分析
- 牙周病的诊断 牙周病的诊断
背景情况:
- 牙周放射性骨损失 (RBL) 是牙周疾病的关键指标.
- 准确测量RBL对于诊断和治疗规划至关重要.
- 目前用于RBL评估的方法可能耗时且主观.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,用于自动检测和测量RBL.
- 用关键点检测和距离计算算法评估模型的性能.
- 探索AI在增强牙周诊断工作流程方面的潜力.
主要方法:
- 一个数据集的595个数字咬翼X射线图被注释为关键点.
- 您只看一次的版本8与姿势估计 (YOLO-v8-pose) 架构被用于培训.
- 该模型确定了水泥结 (CEJ) 和气泡骨峰 (ABC) 的关键点,以测量RBL.
主要成果:
- 人工智能模型的F1-Score为66.89%,精度为61.1%,灵敏度为73.9%.
- 关键点检测的平均平均精度 (mAP) 为73.8%.
- 基于检测到的关键点,实施了一种算法来测量RBL.
结论:
- 开发的AI模型显示出作为协助牙周诊断和RBL测量的工具的前景.
- 需要通过与专家手工测量进行比较进行进一步的验证.
- 人工智能在牙科中的应用可以提高诊断准确性,工作流效率和治疗计划.
