使用口腔内扫描和深度学习检测儿童的牙损伤
Bree Jones1, Mathias Lambach2, Tong Chen3
1Melbourne Dental School, University of Melbourne, 720 Swanston Street, Carlton, VIC, 3052, Australia; Murdoch Children's Research Institute, Royal Children's Hospital Melbourne, 50 Flemington Rd, Parkville, VIC, 3052, Australia.
Journal of dentistry
|June 17, 2025
概括
深度学习在儿童口腔内扫描中检测广泛的牙方面取得了适度的成功,但对于早期和中度病变需要进一步细化. 与牙医的诊断协议在所有阶段都是可比的.
科学领域:
- 人工智能在牙科中的应用
- 数字牙科数字牙科
- 机器学习用于医学成像
背景情况:
- 在儿童中检测牙损伤往往依赖于主观的评估.
- 内耳扫描仪提供详细的3D数据,可用于自动化分析.
- 深度学习模型为客观和高效的诊断工具提供了潜力.
研究的目的:
- 用儿童的口内扫描数据来证明用于自动化虫检测的深度学习.
- 评估AI预测和牙医评估之间的诊断一致性.
- 评估注意力U-Net模型的性能,以对牙损伤严重程度进行分类.
主要方法:
- 用了来自两个儿科队伍的口腔内扫描.
- 一个注意力U-Net模型被训练来分类初始,中度和广泛的.
- 绩效是通过对联盟的交叉,灵敏度,特异性和精度进行评估的,在单独的队列上进行外部验证.
主要成果:
- 该模型在广泛的虫细分 (SE 71%,P 66%,IOU 0.55) 方面取得了适度的性能.
- 损伤检测显示出有希望的整体性能 (SE 67%,P 73%),外部数据略有下降.
- 模型和实践者之间的诊断协议在所有牙值上都是可比的.
结论:
- 深度学习可以在从口腔内扫描中检测广泛的虫方面达到适度的性能.
- 模型的准确性和通用性需要改进,特别是在早期和中度病变中.
- 人工智能辅助虫检测显示出潜力,但在临床应用之前需要进一步验证.
