机器学习辅助近距离载体检测的诊断性能:一个系统性审查和元分析
Kaixin Guo1, Madeline Jun Yu Yon2, Yanqi Yang3
1Paediatric Dentistry, Faculty of Dentistry, The University of Hong Kong, Pokfulam, Hong Kong SAR, Hong Kong.
The journal of evidence-based dental practice
|March 15, 2026
概括
机器学习显示了在放射图上检测近位的前景,在各种方法中具有可比的特异性,但使用圆束计算断层扫描 (CBCT) 的灵敏度更高. 由于证据的确定性较低,需要进一步研究.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 检测近端牙对于及时进行牙科治疗至关重要.
- 对于临床医生来说,近端虫的放射性解释可能是具有挑战性的.
- 机器学习 (ML) 提供了提高诊断准确性的潜力.
研究的目的:
- 系统地审查和评估ML算法的诊断性能,以使用X光学方式检测近位.
- 为了比较ML的表现与专家在识别近位的共识.
- 为了评估证据的确定性在临近虫检测ML的证据.
主要方法:
- 在四个电子数据库中进行了全面的文献搜索.
- 两位独立审查员选了研究并提取了数据.
- 计算了包括灵敏度,特异性,概率比率,AUC-ROC和DOR在内的诊断性能指标. 偏差风险和证据确定性分别使用QUADAS-2和GRADE框架进行评估.
主要成果:
- 28项研究符合纳入标准,11项研究被纳入了元分析.
- 聚合灵敏度为0.84和聚合特异性为0.93.
- 形束计算断层扫描 (CBCT) 显示了更高的灵敏度,而特异性在各种模式之间是可比的. 证据的确定性很低,大多数研究都有高偏差风险.
结论:
- 机器学习模型显示了用于近端虫检测的可接受的诊断性能.
- 在使用ML时,CBCT可能在检测近端脏时提供更高的灵敏度.
- 由于证据的确定性有限,需要进行进一步的研究,以调查AI在不同类型的牙和病深度中的性能.
