牙科植入成功的自动预测使用一个面具基于区域的卷积神经网络在手术前的圆束计算机断层扫描上

科学领域:

• 牙科 牙科是指牙科的专业.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 准确的牙科植入物结果预测对于治疗规划和减少失败率至关重要.
• 临床评估往往是主观的,需要人工智能来提高预后准确度.
• 这项研究评估了Mask R-CNN深度学习模型,用于预测单单元牙植入成功.

研究的目的:

• 评估Mask R-CNN深度学习模型在预测单单元牙植入成功方面的性能.
• 将AI模型的预测精度与经验丰富的植入物学家的预测精度进行比较.
• 确定影响牙科植入物结果的关键手术前因素.

主要方法:

• 一项回顾性队列研究分析了210个单单元植入物,随访18个月.
• 术前的形束计算机断层扫描 (CBCT) 扫描被处理并增强为一个Mask R-CNN模型.
• 该模型经过了训练和测试,与初级和高级植入物学家的性能进行了比较,使用了准确性,AUC和科恩的kappa等指标.

主要成果:

• 面膜R-CNN模型实现了高精度 (0.943) 和AUC (0.943),优于初级 (0.857精度,0.850AUC) 和高级 (0.829精度,0.818AUC) 植入物学家.
• 该模型显示,与专家 (κ = 0.69和 κ = 0.62) 相比,观察者间可靠性更高 (κ = 0.87).
• 失败的重要预测因素包括更高的手术前骨密度,更宽的顶端半距离空间,更短的植入物和更高的插入扭矩.

结论:

• 面膜R-CNN模型在预测牙科植入物结果方面显著优于专家临床医生.
• 人工智能模型提供了高可靠性和可解释性,利用了CBCT衍生的功能.
• 将其整合到临床工作流程中可以提高牙科植入物的风险分层,等待未来的验证.