生物启发的中性素酶智能框架用于使用多模式临床数据检测儿科牙科疾病
Hanaa Salem Marie1, Mostafa Elbaz2, Riham S Soliman3
1Faculty of Artificial Intelligence, Delta University for Science and Technology, Gamasa, 35712, Egypt. Hana.salem@deltauniv.edu.eg.
Scientific reports
|October 17, 2025
概括
一个新的AI框架以97.3%的准确度增强了儿科牙科诊断,改善了口腔疾病的早期检测. 这种生物启发的方法为全球儿童提供了更快,更精确的诊断.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 儿科牙科 儿科牙科
背景情况:
- 儿童口腔疾病在全球普遍存在,影响超过60%的儿童.
- 目前用于儿科牙科疾病的诊断方法缺乏及时干预所需的精度和速度.
- 需要先进的诊断工具来改善儿童口腔健康问题的早期发现和管理.
研究的目的:
- 为增强儿科牙科诊断开发和验证一种新的生物启发的中性素酶智能框架.
- 为了提高诊断准确性和效率,将生物原理与不确定性量化整合起来.
- 评估框架的性能,临床效率,成本效益和全球可扩展性.
主要方法:
- 开发一个生物灵感的框架,结合中性学深度学习,酶灵感的特征提取,轴突再生愈合预测和遗传免疫学优化.
- 18,432名儿科患者 (3-17岁) 的验证,使用多模式数据 (临床,放射,遗传,行为).
- 严格的统计验证,包括分层交叉验证,离开一个中心的测试和18个月的纵向跟踪.
主要成果:
- 实现了97.3%的诊断准确度,明显优于传统 (80.2%) 和深度学习 (89.4%) 方法 (p < 0.001).
- 对于初始的检测和特异性 (96.2%) 显示出高灵敏度 (94.7%).
- 通过减少37.5%的诊断时间和增加58.1%的患者吞吐量,提高了临床效率,显著降低了成本和快速的ROI.
结论:
- 这种新的生物灵感框架为儿科牙科护理提供了卓越的诊断性能和临床效率.
- 该系统提供了明确的不确定性量化,使得风险分层临床决策具有强大的安全性.
- 这种由人工智能驱动的方法为全球儿科口腔保健建立了新的基准,有效地解决了健康差异.
