牙科中的机器学习:一个范围审查
Shrey Lakhotia1, Hormazd Godrej2, Amandeep Kaur3
1Helios Enter Data Warehouse IT Exp., Henry Ford Health System, Detroit, Michigan, United States of America.
PLOS digital health
|July 23, 2025
概括
牙科中的机器学习 (ML) 显示出诊断和治疗的前景,但许多研究缺乏方法论严谨性. 改进模型验证,偏差评估和可重复性对于在牙科护理中采用真实世界的AI至关重要.
科学领域:
- 牙科信息学 牙科信息学
- 机器学习应用程序 机器学习应用程序
- 医疗人工智能 医疗人工智能
背景情况:
- 人工智能 (AI),特别是机器学习 (ML),在牙科应用中越来越多地用于诊断,预后和治疗计划.
- 尽管广泛采用,但缺乏对牙科中这些ML模型的方法质量和报告完整性的全面评估.
研究的目的:
- 进行关于牙科ML的已发表文献的范围审查.
- 使用TRIPOD + AI标题评估ML模型的方法完整性和报告质量.
- 确定牙科应用的ML研究中的关键缺口和改进领域.
主要方法:
- 2018年1月1日至2023年12月31日期间发表的PubMed索引文章的范围审查,使用任何牙科专业的ML.
- 研究使用TRIPOD + AI检查清单进行评估,重点关注数据预处理,模型验证和临床绩效报告.
- 确定了1506篇文章,其中280篇符合详细分析的纳入标准.
主要成果:
- 口腔和大面部放射学,外科和一般牙科是最受代表的专业.
- 很大一部分研究 (22.9%) 没有将其模型与临床参考标准或现有模型进行比较.
- 常见的局限性包括偏差评估不足,异常值报告不足,校准评估不足,可重复性低,数据访问受限制.
结论:
- 虽然ML具有牙科护理的变革潜力,但成功临床实施需要在模型校准评估和公平评估方面进行重大改进.
- 未来的研究应该优先提高错误的解释性,异常报告,可重复性,公平性评估,并进行前性验证研究.
