在CBCT图像中使用机器学习自动预测TMJ盘位移

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:

• 关节 (TMJ) 盘位移的诊断严重依赖于MRI,由于成本和实用性,MRI存在可访问性挑战.
• 圆束计算断层扫描 (CBCT) 更容易获得,但缺乏MRI的诊断细节,用于TMJ盘位移.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于使用基于CBCT的放射学特征预测TMJ盘位移.
• 评估用CBCT和ML取代MRI的可行性,以诊断TMJ盘位移,特别是不减少的盘位移 (DDWOR).

主要方法:

• 从CBCT图像中提取了来自134名患者的247个下下的放射性特征,这些患者也接受了MRI扫描.
• 两个ML模型,随机森林 (RF) 和XGBoost,在三个分类实验中进行训练和比较.
• 实验涉及将正常状态,带有减少的圆盘位移 (DDWR) 和没有减少的圆盘位移 (DDWOR) 状态分类.

主要成果:

• 随机森林 (RF) 模型在所有实验中都表现优于XGBoost.
• 实验3,将DDWOR与其他条件区分开来,达到0.86 (RF) 和0.85 (XGBoost) 的最高AUC.
• 将所有三个组分类 (实验1) 产生了最低的准确性,AUC为0.63 (RF) 和0.59 (XGBoost).

结论:

• 使用CBCT放射学的ML模型显示出预测TMJ盘位移的前景.
• 这种人工智能驱动的方法可以作为辅助工具,特别是用于识别DDWOR,这需要仔细管理.
• 基于CBCT的放射学为诊断TMJ盘位移提供了一个潜在的,更容易获得的MRI替代方案.