基于深度学习的牙病诊断:一种分层模式的系统审查和更快的R-CNN和R-CNN面具的元分析
Quang Tuan Lam1,2,3, Minh Huu Nhat Le2,4, Fang-Yu Fan5
1School of Dentistry, College of Oral Medicine, Taipei Medical University, Taipei 11031, Taiwan.
Diagnostics (Basel, Switzerland)
|March 14, 2026
概括
面膜R-CNN在各种成像方式中表现出较快的R-CNN相比,在牙损伤检测方面具有更高的诊断准确性. 这一系统性审查强调了Mask R-CNN的重点.
科学领域:
- 人工智能在牙科中的应用
- 对于医学成像的深度学习
- 计算机辅助诊断系统 计算机辅助诊断系统
背景情况:
- 深度卷积神经网络 (DCNNs) 越来越多地用于计算机辅助牙科诊断.
- 像Faster R-CNN和Mask R-CNN这样的DCNN架构的比较诊断性能需要在成像类型之间进行系统的合成.
研究的目的:
- 系统地审查和元分析Faster R-CNN和Mask R-CNN用于牙损伤检测的诊断准确性.
- 为了比较这些DCNN在放射和摄影牙科成像模式的性能.
主要方法:
- 在PubMed,EMBASE,科学网和Scopus的系统文献搜索,截至2025年6月15日.
- 包括应用Faster R-CNN和/或Mask R-CNN用于检测牙的研究.
- 两变随机效应建模以估计聚合的灵敏度,特异性和AUC;使用QUADAS-AI和RQS进行质量评估.
主要成果:
- 面膜R-CNN在所有模式中表现出明显更高的聚合灵敏度 (85.6%),特异性 (94.2%) 和AUC (0.95) 比快速的R-CNN (71.7%,81.4%,0.84).
- 在放射性图像中,Mask R-CNN在灵敏度 (86.3%对67.2%),特异性 (96.5%对85.0%) 和AUC (0.97对0.86) 方面表现优于Faster R-CNN.
- 对于摄影图像,Mask R-CNN显示出更高的AUC (0.91比0.83),灵敏度和特异性的差异不大.
结论:
- 快速R-CNN和口罩R-CNN都显示出牙腐烂检测的潜力,但证据因异质性和研究设计而受到限制.
- 与Faster R-CNN相比,Mask R-CNN表现出优越的综合性能估计,特别是在放射应用中.
- 为了可靠的临床实施,需要进一步的前性多中心研究,使用标准化的协议.
