一个临床导向和可解释的AI框架,用于在CBCT图像上对牙损伤严重程度进行分类.
Shuai Qi1, Haoxuan Shan2, Yujie Fu3
1PhD candidate, Department of Endodontics, Stomatological Hospital and Dental School of Tongji University, Shanghai, PR China.
The Journal of prosthetic dentistry
|November 2, 2025
概括
这项研究介绍了CariesAI-3D,这是一个可解释的人工智能 (AI) 工具,用于从束计算机断层扫描 (CBCT) 扫描中分类牙虫的严重程度. 人工智能框架展示了高准确性和强大的概括性,为精确的病诊断提供了显著的进步.
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:
- 目前的空管理需要精确的诊断,以最小入侵的策略.
- 人工智能 (AI) 工具可以在束计算机断层扫描 (CBCT) 扫描上增强虫的分类.
- 需要临床上适用和可解释的AI解决方案来检测.
研究的目的:
- 开发和验证CariesAI-3D,一种可解释的AI框架,用于在CBCT图像上对牙损伤严重程度进行分类.
- 确保在病诊断中提供准确和稳健的性能.
主要方法:
- 开发了一个多任务学习网络,CariesAI-3D,结合了空间注意力特征融合模块 (SA-FFM).
- 在2148张CBCT图像的数据集上训练并验证了模型,使用5倍交叉验证和独立测试集进行评估.
- 使用准确度,精度,回忆,F1得分,AUC和平均绝对差异 (MAD) 评估性能,与6个基线模型进行比较.
主要成果:
- CariesAI-3D显著优于基线模型,在交叉验证组中达到0.886准确度,0.882精度,0.873回忆率和0.876F1得分.
- SA-FFM模块提高了模型准确性,CariesAI-3D显示出强烈的概括性,其类智能AUC从0.947到0.998.
- 类激活映射 (CAM) 证实,模型预测与空和肉区域相关,表明可解释性.
结论:
- 牙损伤AI-3D在CBCT图像上准确和可解释地对牙损伤严重程度进行分类.
- 多任务学习和SA-FFM的整合代表了比传统病诊断方法的重大进步.
