基于深度学习的自动检测,在儿科全景射线影像中检测出多余的牙
İlhan Uzel1, Behrang Ghabchi1, Dilşah Çoğulu1
1Department of Pediatric Dentistry, Faculty of Dentistry, Ege University, Izmir, Turkey.
PloS one
|November 5, 2025
概括
一个深度学习模型 (YOLOv8) 准确地分类了儿童多数牙的全景放射图. 虽然本地化精确,但该模型在检测所有病例时显示出有限的灵敏度,这表明改善早期诊断的潜力.
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:
- 过多的牙是一种常见的儿科牙异常,导致潜在的并发症,如冲击和延迟喷发.
- 及早和准确地检测出多余的牙对于及时干预和预防不良结果至关重要.
- 卷积神经网络 (CNN) 提供了牙科放射图的自动化分析的潜力.
研究的目的:
- 评估YOLOv8深度学习模型的诊断准确性和临床适用性,用于超数牙检测.
- 评估模型在儿科全景放射图上执行超数牙的自动定位和二进制分类的能力.
主要方法:
- 对2000张儿科全景放射图进行了回顾性分析.
- 三名儿科牙医对140张X线图的子集进行了注释.
- 训练了一个YOLOv8深度学习模型进行细分和分类,使用精度,回忆和F1分数来评估性能.
主要成果:
- 该分类模型在内部和外部数据集上实现了100%的准确性,精度,回忆和F1分数.
- 细分模型显示100%的精度,但38%的回忆,表明在检测到的病变有很高的信心,但偶尔不够检测.
- 在模型预测和专家诊断之间没有发现统计学意义上的差异 (p > 0.05).
结论:
- YOLOv8管道显示了强大的诊断准确性,用于对超数牙的儿科全景放射图进行分类.
- 该模型显示了有希望的,尽管是初步的结果,用于超数牙的病变级别细分.
- 像YOLOv8这样的深度学习系统有可能提高早期诊断和简化儿科牙科放射学工作流程.
