使用机器学习和ICCMS框架的咬牙X射线图对牙的自动分类

科学领域:

• 牙科学
• 人工智能
• 医学成像

背景情况:

• 牙损是一个重要的公共卫生问题,需要及早发现才能有效治疗.
• 诊断牙损伤的传统方法,如视觉检查和X线图,可以是主观的,并有不同的解释.
• 人工智能 (AI),特别是深度学习 (DL),有可能提高牙科诊断的准确性.

研究的目的:

• 评估YOLOv11深度学习模型的性能,用于检测和细分咬牙的X-射线.
• 根据标准化的国际虫分类和管理系统 (ICCMS) 框架评估模型的准确性.
• 确定该模型在诊断不同阶段的牙方面的优缺点.

主要方法:

• 采用了730张咬伤的X- 射线图,其中有1115例注释的病变.
• 经验丰富的牙医进行了注释,使用交叉与联盟 (IoU) 和Dice相似系数 (DSC) 评估了关联和内部的可靠性.
• 使用精度,回忆和平均精度 (mAP50) 来评估YOLOv11模型的性能.

主要成果:

• 在病变注释中观察到高的inter-rater协议 (IoU: 0.82, DSC: 0.85) 和内部协议 (IoU: 0.84, DSC: 0.87).
• 在YOLOv11模型中,晚期虫的mAP50得分很高 (RB4+RC5: 0.74,RC6: 0.80).
• 对于早期病变 (RA1+RA2: 0. 61, RA3: 0. 52) 的表现是中度的,表明需要改善.

结论:

• 这种YOLOv11模型在检测尖端牙损伤时具有很高的效率.
• 该模型的性能对于早期虫检测不那么强大,这表明未来AI模型的改进领域.
• 将人工智能整合到牙科放射分析中有望提高诊断准确性,促进早期干预,并提高患者的治疗效果.