基于人工智能的深度学习模型的诊断准确性,用于检测furcation参与:系统性审查和元分析
Momen A Atieh1,2,3, Maanas Shah1, Abeer Hakam1
1Mohammed Bin Rashid University of Medicine and Health Sciences, Hamdan Bin Mohammed College of Dental Medicine, Dubai Healthcare City, Dubai, UAE.
Journal of periodontology
|December 30, 2025
概括
深度学习模型在检测牙科放射图上的孔干涉方面显示出高准确度,性能与专家临床医生相比. 对于这些人工智能工具的安全临床整合,需要进一步的研究.
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:
- 裂的参与使牙周炎的管理变得复杂,并增加牙损失的风险.
- 传统的检测方法 (探测,2D放射) 有其局限性.
- 深度学习 (DL) 显示了在X射线图上检测furcation参与的潜力.
研究的目的:
- 系统地评估DL模型的诊断潜力,用于在X光图像上检测孔干涉.
主要方法:
- 在多个数据库 (PubMed,EMBASE等) 中进行系统搜索. 从2010年到2025年. 从2010年到2025年.
- 由两个审查员进行的独立选,数据提取和质量评估 (QUADAS-2).
- 对诊断指标 (灵敏度,特异性,AUC) 的随机效应元分析;评估异质性和偏差.
主要成果:
- 八项研究分析了12373个牙的7814张X射线图.
- DL模型实现了高精度:灵敏度为0.93,特异性为0.94,AUC为0.97.
- 牙牙显示出更高的精度 (灵敏度为0.96,特异性为0.97,AUC为0.99).
结论:
- DL模型在检测孔干涉方面表现出有希望的准确性,特别是在下牙中.
- 绩效与专家临床医生相提并论.
- 为了临床整合,需要对各种数据集进行进一步的研究.
