最佳的诊断辅助系统用于预测下第三和下通道之间的三维接触在全景放射图上
Motoki Fukuda1, Daisuke Nomoto2, Michihito Nozawa3
1Department of Oral Radiology, Osaka Dental University, 1-5-17 Otemae, Chuo-ku, Osaka, Japan. fukuda-m@cc.osaka-dent.ac.jp.
Oral radiology
|September 22, 2025
概括
机器学习模型在全景放射图上有效预测下第三 (M3M) 和下通道 (MC) 之间的关系. 这些人工智能系统在识别高风险病例方面表现优于人类观察员,提高了诊断准确度.
科学领域:
- 牙科 牙科是指牙科的专业.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 评估下第三 (M3M) 和下通道 (MC) 之间的关系对于在手术期间预防神经损伤至关重要.
- 全景射线图通常使用,但可能无法完全揭示3D空间关系.
- 诊断辅助系统可能会提高这种评估的准确性.
研究的目的:
- 确定最有效的诊断辅助系统,用于评估M3M-MC关系在全景X线图上.
- 为了比较机器学习模型,卷积神经网络 (CNN) 和人类观察者的性能.
主要方法:
- 分析了2103例M3M病例,其中M3M和MC重叠在全景放射图上.
- 根据CT扫描,M3M被分为高风险或低风险.
- 使用四个ML模型,三个CNN和三个人类观察员来评估性能,测量AUC,精度,灵敏度和特异性.
主要成果:
- 机器学习模型表现出强的性能,AUC从0.84到0.88和准确度从0.81到0.88.
- 美国有线电视新闻网ResNet18的AUC值为0.83.
- 人类观察者的AUC从0.67到0.80不等,表明机器学习优越.
- 在ML模型中确定的关键预测因素包括根放射性,MC转移和MC缩小.
结论:
- 机器学习模型在预测M3M和MC之间的3D关系方面表现强.
- 人工智能驱动的诊断系统为改善牙科手术规划和患者安全提供了有前途的工具.
