DOI: https://doi.org/10.3390/diagnostics14202336
PMID: https://pubmed.ncbi.nlm.nih.gov/39451659
تاريخ النشر: 2024-10-21
المؤلف: Sorana Mureșanu وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تستكشف الدراسة تطبيق نموذج الذكاء الاصطناعي، وتحديدًا YOLOv8، في تحسين سير العمل التشخيصي في طب الأسنان، وخاصةً للكشف عن الأمراض السنية وإجراء الفحوصات قبل العلاج الإشعاعي لمرضى سرطان الرأس والعنق. تم تدريب النموذج على مجموعة بيانات تتكون من 1,628 صورة شعاعية بانورامية مشروحة وتم التحقق من صحته على 180 صورة شعاعية خارجية من مراكز متعددة. أظهر النموذج قدرات قوية في الكشف عن حالات سنية متنوعة، بما في ذلك الأسنان الم impacted، الآفات المحيطية، والأجهزة الجراحية، محققًا قيم دقة واسترجاع تتجاوز 0.8 لعدة حالات. ومع ذلك، انخفض الأداء خلال التحقق الخارجي، مما يشير إلى الحاجة إلى تحسينات في قابلية تعميم النموذج.
تؤكد النتائج على إمكانيات الذكاء الاصطناعي في تسهيل الفحوصات السنية قبل العلاج الإشعاعي، لكنها تسلط الضوء أيضًا على قيود كبيرة، مثل التحديات المرتبطة باستخدام الصور الشعاعية البانورامية للكشف بواسطة الذكاء الاصطناعي. يؤكد المؤلفون على ضرورة إجراء المزيد من الأبحاث لتعزيز قابلية تعميم النموذج، وزيادة حجم عينة التحقق، ومعالجة قضايا التوضيح، وتحسين قدرات الكشف عن الحالات الحرجة. يدعون إلى التحقق الخارجي والسريري من نماذج الذكاء الاصطناعي قبل دمجها في الممارسة السنية، لضمان تطبيق موثوق وفعال في البيئات الواقعية.
مقدمة
شهد دمج الذكاء الاصطناعي (AI) في الرعاية الصحية، وخاصة في طب الأسنان، تقدمًا كبيرًا على مدار العقد الماضي، حيث تم معالجة الحاجة الملحة لتحسين أدوات الرعاية الصحية الفموية في ظل انتشار الأمراض الفموية التي تؤثر على حوالي 3.5 مليار فرد على مستوى العالم. أظهرت خوارزميات الذكاء الاصطناعي إمكانيات في تقليل أعباء العمل على الممارسين وزيادة دقة التشخيص، مما قد يسهل الكشف المبكر وعلاج الحالات السنية، مما يؤدي في النهاية إلى تحسين نتائج المرضى. في الأشعة السنية الوجهية، تعتبر البيانات التصويرية الواسعة المتاحة أساسًا قويًا لتدريب نماذج الذكاء الاصطناعي، خاصة في سياقات مثل الفحوصات السنية قبل العلاج للمرضى الذين يخضعون للعلاج الإشعاعي لسرطانات الرأس والعنق، حيث يمكن أن تؤدي المضاعفات الناتجة عن الإشعاع إلى مشاكل سنية خطيرة.
على الرغم من التطبيقات الواعدة للذكاء الاصطناعي في الفحص السني—الذي يتراوح من الكشف عن تسوس الأسنان إلى تحديد الأسنان الم impacted وغيرها من الأمراض—لا يزال هناك فجوة ملحوظة في نماذج الذكاء الاصطناعي القابلة للتطبيق سريريًا والتي تم تصميمها خصيصًا لتحديد الأسنان المعرضة للاستخراج قبل العلاج الإشعاعي. تسلط الدراسة الضوء على تطوير والتحقق من صحة نموذج الذكاء الاصطناعي الذي يهدف إلى أتمتة الكشف عن آفات سنية متنوعة على صور الأشعة البانورامية، مع التركيز بشكل خاص على تحديد الأسنان التي قد تشكل مخاطر للمرضى الأورام. يشمل ذلك الكشف عن الآفات المحيطية، شظايا الجذور، ومختلف العلاجات السنية، مما يعزز كفاءة وفعالية الفحوصات السنية في الفئات السكانية عالية المخاطر.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تفصل المواد المستخدمة، بما في ذلك الكواشف المحددة، المعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات المتبعة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك ظروف التحكم والمتغيرات التي تم التلاعب بها خلال الدراسة. من الضروري أن يتم تأسيس صحة النتائج ويسمح بالتقييم النقدي من قبل الأقران في المجال. بشكل عام، يعمل هذا القسم كدليل شامل للتقنيات والعمليات المستخدمة لتحقيق أهداف الدراسة.
النتائج
في قسم النتائج، حقق النموذج الأفضل أداءً خلال التدريب درجة F1 تبلغ 0.6 مع ثقة 0.275، واسترجاع 0.657 لدقة متوسط القياس عند 50 (mAP@50). بينما قد تعتبر مستوى الثقة 0.275 منخفضًا بالنسبة لهياكل الشبكات العصبية التلافيفية (CNN) الأخرى، إلا أنه يتماشى مع العتبة الموصى بها 0.3 لهياكل YOLO. بالنسبة لمجموعة التحقق الخارجية، حقق النموذج درجة F1 تبلغ 0.47 مع ثقة 0.192 واسترجاع 0.451 لـ mAP@50.
تُفصل مقاييس الأداء، بما في ذلك الدقة والاسترجاع لكل فئة على مجموعة التحقق الداخلية، في الجدول 2، بينما يقدم الجدول 3 النتائج المقابلة لمجموعة التحقق الخارجية. استخدم عملية التدريب خسارة الصندوق، خسارة الفئة، وخسارة التركيز الموزعة (dfl_loss) كمقاييس لكل من مجموعات التدريب والتحقق. بالإضافة إلى ذلك، يتم توضيح مصفوفة الارتباك العادية لكل من مجموعات البيانات الداخلية والخارجية في الشكل 1، ويمكن العثور على منحنى F1-الثقة جنبًا إلى جنب مع منحنى الدقة والاسترجاع في الملحق A.
المناقشة
في هذه الدراسة، قام المؤلفون بتقييم أداء نموذج الكشف عن الكائنات YOLO-v8 لتحديد حالات وعلاجات سنية متنوعة باستخدام مجموعة بيانات تتكون من 1628 صورة بانورامية. أظهر النموذج أداءً قويًا في الكشف عن زراعة الأسنان، العلاجات اللبية، الأجهزة التقويمية، والأجهزة الجراحية، مع موثوقية عالية بشكل خاص في تحديد الأسنان الم impacted، شظايا الجذور، والآفات المحيطية. ومع ذلك، انخفض أداء النموذج عند تطبيقه على مجموعة بيانات التحقق الخارجية، مما يشير إلى الحاجة إلى تحسين قابلية التعميم. أشار المؤلفون إلى أنه بينما تفوق YOLO-v8 على الإصدارات السابقة من حيث الكشف عن الكائنات، لا تزال هناك تحديات في تمييز بعض الترميمات السنية والكشف عن الآفات التسوسية، التي أظهرت درجات دقة واسترجاع أقل.
سلطت المناقشة أيضًا الضوء على إمكانيات الذكاء الاصطناعي في الفحص السني قبل العلاج الإشعاعي، مشددة على أهمية الكشف عن حالات مثل الآفات المحيطية وشظايا الجذور لمنع المضاعفات لدى مرضى سرطان الرأس والعنق. على الرغم من النتائج الواعدة، اعترف المؤلفون بحدود الأشعة البانورامية، بما في ذلك تباين جودة الصورة والأخطاء الفنية، التي قد تؤثر على تدريب النموذج وأدائه. دعوا إلى إجراء المزيد من الأبحاث لتعزيز قدرات النموذج، ومعالجة تحديات التوضيح، والتحقق من النتائج سريريًا قبل دمج الذكاء الاصطناعي في الممارسة السنية. بشكل عام، تؤكد الدراسة على إمكانيات الذكاء الاصطناعي في التشخيص السني مع الاعتراف أيضًا بالحاجة إلى تنفيذ دقيق والتحقق.
القيود
واجهت الدراسة عدة قيود، ناتجة بشكل أساسي عن مجموعة بيانات صغيرة وتوزيعات فئات غير متوازنة، والتي كانت متوقعة نظرًا للتركيز على الأمراض السنية المتنوعة. لوحظ الإفراط في التكيف في فئات معينة، لا سيما بين الآفات التسوسية والتعبئة، حيث فضل النموذج التعبئة. وعلى العكس، أظهر النموذج نقصًا في التكيف لفئة امتصاص العظام، والذي يُعزى إلى نقص المعلومات السياقية من صناديق التوضيح. بالإضافة إلى ذلك، لوحظ نقص في التكيف لفئة الجراحة القمية بسبب محدودية توفر البيانات.
لمعالجة هذه القيود، ستسعى الأبحاث المستقبلية إلى توسيع السياق المستخدم أثناء التدريب واستكشاف استراتيجيات توضيح بديلة. علاوة على ذلك، من المخطط توسيع مجموعة بيانات التدريب من خلال دمج الصور من مراكز الأسنان المختلفة لتحسين قابلية تعميم النموذج وأدائه عبر جميع الفئات.
DOI: https://doi.org/10.3390/diagnostics14202336
PMID: https://pubmed.ncbi.nlm.nih.gov/39451659
Publication Date: 2024-10-21
Author(s): Sorana Mureșanu et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study investigates the application of an AI model, specifically YOLOv8, in enhancing diagnostic workflows in dentistry, particularly for detecting dental pathologies and conducting pre-radiotherapy screenings for head and neck cancer patients. The model was trained on a dataset of 1,628 annotated panoramic radiographs and validated on 180 external radiographs from multiple centers. It demonstrated strong detection capabilities for various dental conditions, including impacted teeth, periapical lesions, and surgical devices, achieving precision and recall values above 0.8 for several conditions. However, performance decreased during external validation, indicating a need for improvements in the model’s generalizability.
The findings underscore the potential of AI in facilitating pre-radiation therapy dental screenings, yet they also highlight significant limitations, such as the challenges associated with using panoramic radiographs for AI detection. The authors emphasize the necessity for further research to enhance the model’s generalizability, increase the validation sample size, address annotation issues, and improve detection capabilities for critical conditions. They advocate for external and clinical validation of AI models before their integration into dental practice, ensuring reliable and effective application in real-world settings.
Introduction
The integration of artificial intelligence (AI) into healthcare, particularly in dentistry, has seen significant advancements over the past decade, addressing the urgent need for improved oral healthcare tools amid the prevalence of oral diseases affecting approximately 3.5 billion individuals globally. AI algorithms have demonstrated potential in reducing practitioner workloads and enhancing diagnostic accuracy, which may facilitate earlier detection and treatment of dental conditions, ultimately leading to better patient outcomes. In dentomaxillofacial radiology, the extensive imaging data available serves as a robust foundation for training AI models, particularly in contexts such as pre-treatment dental screenings for patients undergoing radiotherapy for head and neck cancers, where complications from radiation can lead to severe dental issues.
Despite the promising applications of AI in dental screening—ranging from the detection of dental caries to the identification of impacted teeth and other pathologies—there remains a notable gap in clinically viable AI models specifically designed for identifying teeth at risk of extraction prior to radiotherapy. The study highlights the development and validation of an AI model aimed at automating the detection of various dental lesions on panoramic X-ray images, with a particular focus on identifying teeth that may pose risks for oncologic patients. This includes the detection of periapical lesions, root fragments, and various dental treatments, thereby enhancing the efficiency and effectiveness of dental screenings in high-risk populations.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols followed for data collection, including any statistical analyses applied to interpret the results.
Additionally, the section may describe the experimental setup, including control conditions and variables manipulated during the study. It is crucial for establishing the validity of the findings and allows for critical evaluation by peers in the field. Overall, this section serves as a comprehensive guide to the techniques and processes utilized to achieve the study’s objectives.
Results
In the results section, the best-performing model during training achieved an F1 score of 0.6 with a confidence of 0.275, and a recall of 0.657 for mean Average Precision at 50 (mAP@50). While a confidence level of 0.275 may be considered low for other convolutional neural network (CNN) architectures, it aligns with the recommended threshold of 0.3 for YOLO architectures. For the external validation set, the model yielded an F1 score of 0.47 with a confidence of 0.192 and a recall of 0.451 for mAP@50.
Performance metrics, including precision and recall for each class on the internal validation set, are detailed in Table 2, while Table 3 presents the corresponding results for the external validation set. The training process utilized box loss, class loss, and distribution focal loss (dfl_loss) as metrics for both training and validation datasets. Additionally, the normalized confusion matrix for both internal and external datasets is illustrated in Figure 1, and the F1-confidence curve along with the precision-recall curve can be found in Appendix A.
Discussion
In this study, the authors evaluated the performance of the YOLO-v8 object detection model for identifying various dental conditions and treatments using a dataset of 1628 panoramic images. The model demonstrated strong performance in detecting dental implants, endodontic treatments, orthodontic devices, and surgical devices, with particularly high reliability in identifying impacted teeth, root fragments, and periapical lesions. However, the model’s performance declined when applied to an external validation dataset, indicating a need for improved generalizability. The authors noted that while YOLO-v8 outperformed earlier versions in terms of object detection, challenges remained in distinguishing certain dental restorations and detecting carious lesions, which exhibited lower precision and recall scores.
The discussion also highlighted the potential of AI in pre-radiation therapy dental screening, emphasizing the importance of detecting conditions such as periapical lesions and root fragments to prevent complications in head and neck cancer patients. Despite the promising results, the authors acknowledged the limitations of panoramic radiography, including image quality variability and technical errors, which could affect AI model training and performance. They called for further research to enhance model capabilities, address annotation challenges, and validate findings clinically before integrating AI into dental practice. Overall, the study underscores the potential of AI in dental diagnostics while also recognizing the need for careful implementation and validation.
Limitations
The study encountered several limitations, primarily stemming from a small dataset and imbalanced class distributions, which were expected given the focus on diverse dental pathologies. Overfitting was observed in specific classes, notably between carious lesions and obturations, where the model favored obturations. Conversely, the model exhibited underfitting for the bone resorption class, attributed to insufficient contextual information from the annotation bounding boxes. Additionally, underfitting was noted for the apical surgery class due to limited data availability.
To address these limitations, future research will aim to broaden the context used during training and explore alternative annotation strategies. Furthermore, expanding the training dataset by incorporating images from various dental centers is planned to improve the model’s generalizability and performance across all classes.