深度学习方法用于对椎脊椎成熟阶段系统的定量和定性评估
Abbas Ahmed Abdulqader1, Fulin Jiang2, Bushra Sufyan Almaqrami3
1State Key Laboratory of Oral Diseases and National Center for Stomatology and National Clinical Research Center for Oral Diseases, West China Hospital of Stomatology, Sichuan University, Chengdu, China.
PloS one
|May 20, 2025
概括
人工智能 (AI) 增强了椎脊椎成熟 (CVM) 的分阶段. 定量AI方法 (QCVM) 优于定性AI方法 (CVM),为正牙医提供了对骨年龄评估的更高准确性.
科学领域:
- 牙科和正牙科 牙科和正牙科
- 医疗成像医学成像
- 医疗保健中的人工智能
背景情况:
- 宫脊椎成熟 (CVM) 的分期对于评估骨成熟度至关重要 在正统牙科治疗计划中.
- 传统的CVM分期依赖于头脑测量放射图的手动解释,这可能是主观和耗时的.
- 人工智能 (AI) 的整合为自动化和提高CVM分期的准确性提供了潜力.
研究的目的:
- 开发和比较基于AI的定性CVM和基于AI的定量QCVM方法,用于CVM分期.
- 评估人工智能驱动的里程碑预测的性能及其对CVM分类准确性的影响.
- 评估自动化QCVM模型作为正牙医工具的潜力.
主要方法:
- 开发两种AI模型:一种定性CVM方法 (CS1-CS6) 和一种定量QCVM方法 (QCVM I-IV),使用13个椎脊柱的地标.
- 培训和验证来自6个医疗中心的3600张横向脑表图像数据集.
- 使用统计分析进行性能评估,包括皮尔森相关性,平均平方误差 (MSE),成功检测率 (SDR),精度回忆和F1分数.
主要成果:
- 人工智能里程碑式的预测实现了高SDR的97.14% (≤1.0毫米误差值),平均预测误差在0.17-0.55毫米之间.
- 人工智能预测的里程碑与牙科专家有很强的一致性 (皮尔森相关性=0.98,MSE=0.004).
- 相比于定性CVM方法 (71.11%),定量QCVM方法实现了更高的分类准确度 (78.33%).
结论:
- 基于AI的定量QCVM方法在基于AI的定性CVM方法上表现出优越的性能.
- 完全自动化的QCVM模型显示出高准确性和一致性,表明其作为正牙医的宝贵工具的潜力.
- 人工智能驱动的CVM分期可以提高评估骨成熟度的效率和客观性.
