深度学习模型和牙科专业人员在识别牙科植入物的有效性
Veena Benakatti1, Ramesh P Nayakar1, Mallikarjun Anandhalli2
1Department of Prosthodontics, KAHER'S KLE VK Institute of Dental Sciences, Belagavi, Karnataka, India.
Imaging science in dentistry
|January 15, 2026
概括
人工智能模型YOLOv11准确地识别牙科植入物,在准确性方面超过牙医. 这种人工智能工具在改善临床环境中的植入物识别方面表现有前途.
科学领域:
- 牙科植入物学 牙科植入物学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 植入物识别在牙科植入学中至关重要.
- 人工智能 (AI) 为准确的植入物检测提供了潜在的解决方案.
- 像YOLO这样的物体检测模型适用于医学图像分析.
研究的目的:
- 评估最新的YOLOv11模型,用于在印度临床环境中识别10种类型的牙植入物.
- 将YOLOv11的准确性与植入物识别中的牙科专业人员进行比较.
主要方法:
- 10种植入物类型的3161张X射线图 (周围和全景) 的数据集被用于训练和测试YOLOv11.
- 该模型在Google Colab上使用NVIDIA Tesla T4 GPU进行了训练.
- 50名牙医在200张测试放射图中确定了植入物,其准确性与YOLOv11使用奇平方测试的准确性相比较.
主要成果:
- YOLOv11实现了高性能指标:精度为0.87,回忆为0.85,F1得分为0.86,mAP50为0.899.
- 在Adin (95%),MIS (94%),Bego (92%),ITI (96%) 和Bicon (97%) 植入物中观察到非常好的准确性.
- 与牙科专业人员 (27%-49%) 相比,YOLOv11显示出更高的准确性 (92%-100%).
结论:
- YOLOv11准确地识别了大多数牙科植入物类别,准确度超过90%,超过了手工方法.
- 人工智能模型对于植入物检测是可靠和高效的.
- 建议采用特定区域的方法,以提高临床相关性和进一步改进模型.
