整合机器学习和深度学习,以预测非手术根管治疗结果,使用二维周周放射图
Catalina Bennasar1, Antonio Nadal-Martínez2, Sebastiana Arroyo1
1Academia Dental de Mallorca (ADEMA), School of Dentistry, University of Balearic Islands, 07122 Palma de Mallorca, Spain.
Diagnostics (Basel, Switzerland)
|May 1, 2025
概括
使用二维射线图的深度学习模型与传统的机器学习和临床医生预后相比,显著改善了非手术根管治疗 (NSRCT) 结果预测. 基于图像的AI提供了卓越的准确性,以确保牙周炎治疗的成功.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 之前的研究预测了使用分类数据和机器学习 (ML) 的非手术根管治疗 (NSRCT) 的成功.
- 放射性成像对于诊断顶端牙周炎 (AP) 和评估治疗结果至关重要.
- 这项研究探讨了深度学习 (DL) 来预测2D周围放射图的NSRCT结果.
研究的目的:
- 评估DL在预测NSRCT结果中的有效性,使用二维X光学图.
- 为了比较DL模型与传统ML模型的性能.
- 评估基于图像的AI预测是否超过临床医生的预测.
主要方法:
- 一个DL模型被训练并使用leave-one-out交叉验证 (LOOCV) 进行验证.
- DL模型输出与ML分析的分类变量集成,使用后向一步选择 (BSS) 重现.
- 在DL,ML和临床医生的预后之间进行了统计比较 (chi-square,费舍尔精确测试).
主要成果:
- 2D 射线图显示出显著的预测能力 (p<0.000000127).
- 当包括DL变量时,表现最好的ML模型从随机森林 (RF) 转向后勤回归 (LR).
- 与临床医生的预后相比,DL-LR模型和DL在灵敏度,NPV和准确度方面显示了统计学上显著的优异表现 (p<0.05).
结论:
- 基于图像的人工智能模型对NSRCT结果的预测能力优于仅使用分类数据的模型.
- 使用二维放射图的深度学习模型在预测治疗成功方面优于临床医生的预后.
- 人工智能驱动的放射分析在预测内牙治疗结果方面取得了重大进展.
