拥抱计算机视觉用于诊断面成像 - 一个人工智能机器学习 (AIML) 试点项目

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 口腔和牙面部外科手术

背景情况:

• 人工智能 (AI) 正在改变医疗诊断,特别是在医学成像方面.
• 尼日利亚口腔和面外科医生需要人工智能来提高诊断准确性和全球相关性.
• 这项研究探讨了机器学习 (ML) 在面放射学中的精度.

研究的目的:

• 展示ML工具在改善牙面部放射学诊断精度方面的潜力.
• 评估人工智能驱动的计算机视觉,以区分恶性和良性骨病变.
• 评估AI区分面纤维性发育不良与骨化纤维瘤的能力.

主要方法:

• 使用谷歌的Teachable Machine (一种无代码的ML平台) 开发了一个监督学习模型.
• 在组织学证实病变的放射性图像上训练模型:良性/恶性病变 (项目1) 和纤维发育不良/骨化纤维瘤 (项目2).
• 使用准确度,精度,回忆,F1得分和ROC-AUC曲线评估模型性能.

主要成果:

• 项目1模型实现了89%-100%的预测概率,用于区分恶性病变和良性病变.
• 项目2模型实现了71%-100%的概率来分类纤维发育不良与骨化纤维瘤.
• 两种模型在所有性能指标上都取得了完美的得分 (1.0),包括AUC = 1.00,具有70%的概率值.

结论:

• 人工智能驱动的计算机视觉模型显示了增强面成像诊断工作流程的巨大潜力.
• 这些人工智能工具可以支持更有效的临床决策在面放射学.
• 未来的研究需要更大的数据集和更高的AI素养来实现现实世界,特别是在资源有限的环境中.