以深度学习为基础,识别具有再生潜力的牙周内膜缺陷:一个多中心的回顾性研究

科学领域:

• 人工智能在牙科中的应用
• 用于医学成像的深度学习
• 牙周病诊断 牙周病诊断

背景情况:

• 牙周内膜缺陷的放射评估是主观的,缺乏标准化.
• 当前方法的变化阻碍了基于证据的手术规划.
• 需要自动化工具来提高准确性和效率.

研究的目的:

• 开发和验证一个双模型深度学习框架 (YOLO V8和nnU-Net V2).
• 为了自动识别,量化和手术指导用于使用并行口内放射 (PTRs) 的内骨缺陷.
• 提高牙周病理学中放射学解释的精度和一致性.

主要方法:

• 一个多中心的回顾性研究,使用来自三个机构的580个PTR.
• 整合YOLO V8用于牙实例细分和nnU-Net V2用于组织语义细分.
• 解剖学标志的定位和缺陷参数的计算,通过5倍交叉验证进行验证.

主要成果:

• 在地标定位上高精度 (MAE:0.20-0.54毫米) 和强大的通用性 (外部特异性0.96).
• 在诊断速度 (1.5对2.1分钟/患者) 和准确性 (96%对92%),表现优于专家.
• 一个以颜色编码的系统用于缺陷分类,与再生的临床指南保持一致.

结论:

• 开创了一种双模型人工智能框架,用于精确的红外骨缺陷分析.
• 人工智能模型提供了与指南一致的外科推,标准化了缺陷评估.
• 增强的诊断效率弥合了放射性解释和临床决策,为个性化的牙周护理提供了桥梁.