关于牙周病的CBCT图像的深度学习分析:与独立的转录和微生物组数据集的表型级一致性

科学领域:

• 牙科 牙科 牙科 牙科
• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 基因组学就是基因组学.
• 微生物组研究 微生物组研究

背景情况:

• 牙周炎是一种普遍的炎症状况,导致逐渐的膜骨损失.
• 圆束计算断层扫描 (CBCT) 有助于可视化骨缺陷,但解释是具有挑战性的.
• 深度学习为标准化CBCT评估牙周炎提供了潜力.

研究的目的:

• 开发和评估一个3D深度学习模型,用于使用CBCT扫描对牙周炎进行分类.
• 通过转录基因和微生物组分析,评估模型预测的生物相关性.
• 探索AI在支持标准化牙周炎诊断方面的潜力.

主要方法:

• 在MMDental数据集的403个CBCT卷上训练了一个3D ResNet-18分类器.
• 模型性能使用AUROC,AUPRC和校准指标进行评估.
• 分析了独立的转录基因和微生物组队列,以寻找表型级生物一致性.

主要成果:

• 在CBCT模型中,AUROC达到0.729,AUPRC达到0.551.
• 格拉德-CAM突出了膜和裂区域,与牙周炎相一致.
• 转录和微生物组数据支持一种与CBCT发现一致的炎症-骨解性表型.

结论:

• 基于CBCT的牙周炎分类的概念验证3D深度学习模型表现中等.
• 转录基因和微生物组分析表明表型水平的生物一致性.
• 为了临床实施,需要对更大,多中心数据集和配对成像-omics数据进行进一步的研究.