基于深度学习的牙腐烂病变分类,使用咬牙翼放射图和与牙科专业人员进行比较
N Nampim1, W Panyarak1, W Suttapak2
1Chiang Mai University, Chiang Mai, Thailand.
概括
一个深度学习算法 (ResNet-152) 显示了与牙医和牙科学生在X射线图上分类初级牙的性能相似的表现. 这种卷积神经网络 (CNN) 是改善牙科诊断的补充工具.
科学领域:
- 利用人工智能和深度学习进行牙科诊断.
- 专注于医学图像分析,以检测早期疾病指标.
背景情况:
- 准确的牙腐烂的分类对于及时治疗至关重要.
- 牙医和学生的放射性解释的准确性可能会有所不同.
研究的目的:
- 评估深度学习卷积神经网络 (CNN) 算法的性能.
- 为了比较CNN对一般牙医和牙科学生的牙分类准确度,使用母牙的咬翼放射图.
主要方法:
- 在1400张咬翼放射图 (4715张牙图像) 上训练并验证了一个ResNet模型.
- 将病变分为4类和7类.
- 将最好的ResNet模型 (ResNet-152) 与3名全科医生和3名牙科学生进行比较,使用准确度,灵敏度,特异性和AUC等指标.
主要成果:
- 在4个类别分类中,ResNet-152的准确度超过了0.7,超过了大多数人类评估器.
- ResNet-152和一名牙科学生实现了0.9或更高的特异性和负预测值 (NPV).
- 在7类分类中,ResNet-152表现出0.85的曲线下的有利面积 (AUC),相当于人类表现最好的人类.
结论:
- 在分类病变方面,ResNet-152深度学习算法的性能与熟练的牙医和牙科学生相提并论.
- 在牙科诊断中,CNN显示出其作为一种有价值的第二意见工具的潜力,可能有助于改善牙的治疗决策.
