人工智能模型用于使用修改后的沃尔特斯分类来诊断成年人脉管炎:一种诊断准确性研究

科学领域:

• 牙科 牙科是指牙科的专业.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 精确诊断乳房状况对于有效的牙科治疗至关重要.
• 传统的诊断方法可能是主观的,导致变化.
• 人工智能为更客观和可重复的诊断工具提供了潜力.

研究的目的:

• 评估人工智能 (AI) 系统在诊断纸状况方面的表现.
• 为了提高客观性,使用修改后的沃尔特斯诊断分类.
• 为了比较各种AI模型在纸诊断中的性能.

主要方法:

• 一项涉及200名成年患者200颗牙的横截面研究.
• 临床评估和编制一个数据集,包含21个诊断属性.
• 训练和验证人工智能模型 (决策树,SVM,MLP,XGBoost) 使用K折交叉验证和引导重新抽样.
• 使用精度,回忆,F1得分和AUC进行性能评估,并进行属性重要性分析.

主要成果:

• XGBoost和支持矢量机 (SVM) 模型实现了最高的性能,平均F1得分为0.85.85.
• 在XGBoost和SVM中,所有诊断类的曲线下面面积 (AUC) 值都超过0.93.
• XGBoost表现出最低的变化和最好的平均精度 (0.81),回忆 (0.81),和F1得分 (0.80).
• 对冷刺激反应的疼痛被确定为最相关的诊断属性.

结论:

• 这种基于人工智能的系统显示出对精确的纸诊断有很大的潜力.
• 人工智能有助于在牙科中做出更客观的诊断决定.
• 来自热刺激的疼痛强度是人工智能驱动的纸状况分类的关键特征.