使用放射成像检测和分类孔缺陷的人工智能:系统审查
Georgios S Chatzopoulos1,2, Vasiliki P Koidou3, Lazaros Tsalikis1
1Department of Preventive Dentistry, Periodontology and Implant Biology, School of Dentistry, Aristotle University of Thessaloniki, Thessaloniki, Greece.
Imaging science in dentistry
|January 15, 2026
概括
人工智能 (AI) 算法对检测牙科放射图上的裂缺陷,特别是2D图像上的深度学习模型显示出希望. 然而,人工智能工具和成像方法的变化需要用于临床的标准化研究.
科学领域:
- 牙科放射学 牙科放射学
- 医学中的人工智能.
- 诊断准确性的研究研究.
背景情况:
- 检测孔缺陷的传统方法具有局限性.
- 准确诊断裂参与对于牙周健康至关重要.
- 人工智能 (AI) 提供了改进放射分析的潜力.
研究的目的:
- 系统地审查和综合人工智能算法的诊断准确性的证据,以检测和分类隙缺陷.
- 为了解决与传统裂缺陷识别方法相关的局限性.
- 在各种算法和放射学模式中评估AI性能.
主要方法:
- 通过2025年4月进行了全面的文献搜索.
- 包括诊断准确性研究,将AI算法与牙科X射线图上裂缺陷的参考标准进行比较.
- 使用QUADAS-2评估偏差风险;由于研究异质性,没有进行元分析.
主要成果:
- 包括八项回顾性研究,使用各种AI算法 (ResNet,UNet,YOLO-v4,视觉转换器) 和放射类型 (周周,全景,CBCT).
- 基于二维放射图的先进深度学习模型通常表现出高的诊断准确性,用于检测裂参与,具有显著的灵敏度,特异性和AUC值.
- 基于人工智能模型和成像模式,性能差异很大;专有人工智能工具显示出不一致的结果,并且对裂严重程度的分类报告不那么一致.
结论:
- 人工智能算法,特别是对二维射线图的深度学习,显示了精确裂缺陷检测的潜力.
- 目前的研究中存在方法和报告异质性.
- 未来的研究应该专注于标准化协议,临床比较,并开发可翻译的AI工具,以改善诊断.
