深度学习模型的诊断性能在分类下三和下管接触状态在全景放射图:一个系统的审查和元分析

科学领域:

• 牙科 牙科是指牙科的专业.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 全景射线图对于评估下第三牙和下通道之间的关系至关重要.
• 深度学习模型有可能提高在这一领域的诊断准确性.
• 关于这些人工智能模型的精确准确度的数据有限.

研究的目的:

• 系统地审查和元分析深度学习模型的诊断性能,以检测下三和下通道之间的接触在全景放射图上.
• 确定影响这些模型准确性的因素.

主要方法:

• 在主要数据库 (PubMed,ScienceDirect,Web of Science,Embase,EBSCO) 进行了系统的文献搜索,截至2024年9月,遵守PRISMA-2020和PRISMA-DTA指南.
• 符合条件的研究使用基于卷积神经网络的深度学习模型进行分类.
• 性能指标 (准确度,灵敏度,特异性,精度,F1分数) 被提取并使用随机效应模型进行聚合. 超回归探索了异质性.

主要成果:

• 七项研究报告了4955张X射线图的综合性能:准确度为83.4%,灵敏度为80.2%,特异性为85.8%,精度为83.3%,F1分数为80.9%.
• 观察到高异质性 (I2>90%),受样本大小,图像分辨率和模型架构 (例如VGG-16,AlexNet) 的影响.
• 超回归将图像分辨率和架构确定为重要因素. 偏差风险一般较低,在一些研究中患者选择不清楚.

结论:

• 深度学习模型表明,在全景放射图上评估下第三-下通道接触的显著潜力,作为传统方法的宝贵补充.
• 标准化的协议,多样化的数据集和可解释的AI对于广泛的临床采用至关重要.
• 进一步的研究应侧重于改进模型,并确保对临床整合进行可靠的验证.