改进牙科疾病诊断使用DeiT和CoAtNet的基于交叉注意力的混合模型
Naira Elazab1, Nermeen Nader1, Yasmin Alsakar1
1Information Technology Department, Faculty of Computers and Information, Mansoura University, Mansoura, 35516, Dakahlia, Egypt.
Scientific reports
|January 6, 2026
概括
这项研究引入了用于牙科疾病诊断的混合人工智能模型,达到96%的准确性. 这种新的方法增强了诊断能力,用于诸如牙腔和受影响的牙等疾病.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 机器学习用于医疗保健
背景情况:
- 准确的牙科诊断对于有效的治疗计划和患者的治疗结果至关重要.
- 识别牙疾病,如,填充物,植入物和受影响的牙,需要精确的诊断工具.
- 目前的诊断方法可以通过先进的计算方法来增强.
研究的目的:
- 开发和评估一种新的混合人工智能模型,以提高牙科疾病诊断的准确性.
- 整合数据效率图像转换器 (DeiT) 和卷积注意网络 (CoAtNet) 的优势,以增强特征提取.
- 为了优化分类性能,使用堆叠分类器进行强大的诊断预测.
主要方法:
- 预处理牙科放射图像以提高质量和特征提取.
- 实施混合模型,将DeiT和CoAtNet与交叉注意力融合机制结合起来.
- 使用一个堆叠分类器与支持向量机器 (SVM),极端梯度提升 (XGBoost) 和多层感知器 (MLP) 进行最终分类.
主要成果:
- 拟议的混合型号实现了高性能指标.
- 实现了96%的整体准确性.
- 显示出出色的精度 (96.5%),灵敏度 (96.1%),特异性 (96.4%),以及子相似系数 (96.3%).
结论:
- 开发的混合人工智能模型显著提高了自动牙科疾病诊断的准确性.
- DeiT和CoAtNet的集成,以及堆叠分类器,证明了对分析牙放射图像的有效性.
- 这种方法显示出通过精确的诊断来改善牙科治疗计划和患者结果的巨大潜力.
