APD-FFNet:一种新的可解释的深度特征融合网络,用于在牙科全景放射学上自动化牙周炎诊断

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
• 深度学习用于牙周炎诊断

背景情况:

• 牙周炎的诊断依赖于放射性解释,这可能是主观的.
• 自动诊断工具可以提高效率和一致性.

研究的目的:

• 引入APD-FFNet,这是一个用于自动化牙周炎诊断的新型深度学习架构.
• 为了评估APD-FFNet的性能和可解释性,使用全景射线图.

主要方法:

• 开发了APD-FFNet,这是一个结合卷积层和变压器层的深度功能融合网络.
• 在337张注释的全景射线图上受过培训和验证.
• 使用准确度,F1分数,AUC,Jaccard和MCC评估性能;使用McNemar的测试和SHAP进行解释性.

主要成果:

• APD-FFNet实现了94%的准确性,93.88%的F1得分和93.47%的AUC.
• 绩效指标超过了可比方法.
• 通过突出关键的放射性区域,SHAP分析提供了可解释的见解.

结论:

• APD-FFNet为自动化,可解释性牙周炎诊断设定了一个新的基准.
• 它的低超参数灵敏度和可解释性促进了临床整合.
• 该架构显示了更广泛的医学成像应用的潜力.