开发一个深度学习分类模型,使用一个无码平台为正统牙提取决策:图像类型对模型性能的影响

科学领域:

• 人工智能在牙科中的应用
• 牙正治疗计划 牙正治疗计划
• 深度学习分类模型

背景情况:

• ортодонтика治疗计划依赖于准确的诊断和病例评估.
• 人工智能 (AI) 提供了自动化和增强诊断过程的潜力.
• 评估不同的成像模式对于正牙科人工智能模型开发至关重要.

研究的目的:

• 评估图像类型 (口内摄影与数字模型扫描) 对人工智能模型在 ортодонтика治疗规划中的性能的影响.
• 研究AI在确定提取与非提取治疗计划中的临床适用性.
• 使用无码平台开发和优化深度学习分类模型.

主要方法:

• 从已完成的正义牙科病例中回顾收集了1200张口内照片和1200张数字扫描 (600张提取,600张非提取).
• 开发一个深度学习分类模型,使用一个无代码平台和自动化超参数调.
• 用对两个图像类型的准确性,精度,回忆和F1分数来评估模型性能.

主要成果:

• 使用数字扫描训练的深度学习模型实现了更高的性能指标 (准确率:74.2%,精度:74.6%,回忆率:73.3%,F1得分:73.9%).
• 使用口内摄影训练的模型的表现略低 (准确率:71.5%,精度:72.2%,回忆率:71.1%,F1得分:71.6%).
• 在AI分类任务中,数字扫描显示出与口内照片相比的优异结果.

结论:

• 深度学习模型可以有效地开发用于正牙治疗计划,使用口内照片或数字模型扫描.
• 数字模型扫描为人工智能驱动的正义牙提取决策提供了更强大的数据源.
• 人工智能,利用各种成像输入,在协助临床决策时显示出有前途的希望,用于 ортодонтика提取计划.