人工智能模型从全景视图放射图中检测质囊的准确性:系统性审查和元分析
Reyhaneh Shoorgashti1, Mohadeseh Alimohammadi2, Sana Baghizadeh2
1Department of Oral and Maxillofacial Medicine, School of Dentistry Islamic Azad University of Medical Sciences Tehran Iran.
Health science reports
|April 1, 2025
概括
人工智能 (AI) 模型在从全景射线图中改善牙生囊瘤 (OKC) 的诊断方面表现有前途. 基于YOLO的AI架构提供了卓越的准确性,但对于复杂的案例来说,人类的专业知识仍然至关重要.
科学领域:
- 口腔和面放射学 口腔和面放射学
- 医疗成像中的人工智能
- 诊断准确性研究 诊断准确性研究
背景情况:
- 牙生囊 (OKC) 是一种常见的病变,在全景放射图上经常被误诊.
- 准确的诊断对于有效的患者管理至关重要.
- 当前手动解读X射线图可能导致诊断不一致.
研究的目的:
- 系统地审查和元分析人工智能模型的诊断准确性,以检测全景射线图中的OKC.
- 为了比较不同AI架构在OKC检测中的性能.
主要方法:
- 在5个数据库中进行系统的文献搜索.
- 与参考标准相比,包括评估用于OKC检测的AI模型的研究.
- 使用随机效应模型提取和聚合灵敏度,特异性和AUC.
- 进行元回归和子组分析以探索异质性;出版偏差评估.
主要成果:
- 八项研究被纳入了元分析.
- 聚合灵敏度为83.66%,特异性为82.89%.
- 基于YOLO的AI模型实现了显著更高的性能 (灵敏度96.4%,特异性96.0%).
- 模型架构是诊断性能的一个重要因素,尽管注意到了高变化和出版偏差.
结论:
- 人工智能模型,特别是YOLO架构,可以在全景放射图上提高OKC的诊断准确性.
- 人工智能显示出强大的潜力,可以帮助诊断更简单的病例.
- 人工智能应该增强,而不是取代人类放射科医生的专业知识,特别是在复杂的诊断场景中.
