在全景放射图上用于病理的自动诊断支持系统:DenseNet121-CBAM深度学习研究,具有基因病理相关性
Darpit K Brahmbhatt1, Jigna S Shah1
1Department of Oral Medicine and Radiology, Government Dental College and Hospital, Ahmedabad, 380016, India.
Journal of stomatology, oral and maxillofacial surgery
|October 9, 2025
概括
一个新的AI模型从OPG图像中准确地分类了大病理. 这种针对组织病理学验证的深度学习工具显示了早期疾病检测和改善临床工作流程的潜力.
科学领域:
- 口腔和面放射学 口腔和面放射学
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 骨架图 (OPG) 对于诊断下巴病理至关重要.
- 准确及时诊断常见的病态仍然是一个临床挑战.
- 深度学习为牙科中自动化图像分析提供了潜力.
研究的目的:
- 开发和前性验证一个深度学习模型,用于从OPG图像中分类六种常见的病理.
- 该模型将DenseNet架构与卷积块注意模块 (CBAM) 集成在一起.
- 为了评估模型的诊断性能与基因病理学基础真相相对比.
主要方法:
- 一个DenseNet121-CBAM模型在236个病理和5200个正常OPG的回顾性数据集上进行了训练.
- 使用转移学习,数据增强和加权采样器.
- 对228个病例的独立队列进行了前性验证.
主要成果:
- 人工智能模型在对前测试组的下病理进行分类时实现了92.54%的整体准确性.
- 特定类别的F1分数在90%至98%之间,显示出强的表现.
- 组织病理学诊断作为比较的黄金标准.
结论:
- 注意增强的深度学习模型提供了一种快速而准确的方法来诊断OPG的病理.
- 该模型的验证性能表明其作为可靠的诊断支持工具的潜力.
- 这种人工智能工具可以增强临床工作流程,并促进口腔病理的早期检测.


