机器学习算法提高了牙的放射性诊断的准确性:一项比较研究

科学领域:

• 牙科放射学 牙科放射学
• 人工智能在牙科中的应用
• 诊断的准确性 诊断的准确性

背景情况:

• 在咬翅的X光片上检测牙腐烂对于及时干预至关重要.
• 检查清单和机器学习 (ML) 算法等认知辅助工具可以帮助牙科学生进行诊断.
• 评估这些辅助工具对诊断性能和信心的影响对于改善牙科教育和实践至关重要.

研究的目的:

• 评估机器学习 (ML) 算法和检查清单对牙科学生诊断准确度和检测牙的信心的影响.
• 为了比较ML算法与传统检查清单在改善咬翼X射线影像上的脏病检测方面的有效性.
• 评估这些认知辅助工具对评审者之间的可靠性和学生信心水平的影响.

主要方法:

• 52名三年级牙科学生被随机分配到控制,ML算法或检查列表组.
• 参与者在十次咬伤翼X射线图上诊断出,并报告了信心水平.
• 跨组的诊断准确性,敏感性,特异性和评估者之间的可靠性 (使用ICDAS II的加权卡帕) 进行了比较.

主要成果:

• ML组显示出最高的诊断准确度和信心,具有优越的灵敏度和诊断几率比率.
• 检查清单组获得了最高的特异性,而对照组显示了中度的敏感性.
• 对虫检测和ICDAS II分级的评估者间一致性在ML组中最高,这表明诊断一致性有所改善.

结论:

• 机器学习 (ML) 算法提高了学生的诊断准确度和牙损伤检测的信心,可能通过减少认知负载.
• 检查清单虽然标准化了过程,但效果不如ML,可能是由于不灵活.
• 建议进行进一步的研究,以将这些发现纳入临床牙科工作流程.