基于X射线图的全景深度学习模型用于诊断和临床决策支持,用于初级牙中裂病变
Nevra Karamüftüoğlu1, Ayşe Bulut2, Murat Akın3
1Department of Pediatric Dentistry, Gülhane Dentistry Faculty, Health Sciences University, 06830 Ankara, Turkey.
Children (Basel, Switzerland)
|November 27, 2025
概括
这项研究开发了一种深度学习系统,从全景放射图中分类初级毛裂变病变,帮助儿童牙科的治疗决策. 该RT-DETR-X模型显示了对这些关键牙科疾病的有希望的诊断准确性.
科学领域:
- 儿科牙科 儿科牙科
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 初级牙的裂痕病变会对治疗选择产生重大影响,通常需要提取或根管治疗.
- 准确的放射性评估对于有效的儿科牙科治疗计划至关重要.
- 当前的诊断方法可能是主观的,导致治疗决策的变化.
研究的目的:
- 开发和评估一个基于深度学习的临床决策支持系统,用于从全景X射线图分类初级毛裂变病变.
- 将放射性病变分类与儿科牙科治疗规划相结合.
- 为了减少诊断的模两可,并支持临床医生在决策.
主要方法:
- 来自3至13岁儿童的387张匿名全景放射图的数据集被策划并标记成五个骨损伤类别.
- 三种物体检测模型 (YOLOv12x,RT-DETR-L,RT-DETR-X) 进行了训练和评估.
- 用包括mAP@0.5在内的指标来评估诊断性能,精度和回忆,并进行定性专家评估.
主要成果:
- RT-DETR-X模型以0.434的mAP@0.5实现了最高的诊断性能,证明了临床上有前途的能力.
- 所有评估的模型都成功识别了病变类型,并支持了治疗建议,减少了诊断的模两可.
- 该系统显示出在协助具有不同经验水平的临床医生的潜力.
结论:
- 深度学习模型可以标准化初级毛裂变病变的诊断结果.
- 开发的系统在资源有限的环境和移动临床环境中提供了潜在的好处.
- 这种方法代表了在儿科牙科中放射学分类和治疗规划的新整合.
