DOI: https://doi.org/10.3389/fdmed.2024.1479380
PMID: https://pubmed.ncbi.nlm.nih.gov/39917648
تاريخ النشر: 2024-10-10
المؤلف: Nazila Ameli وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
هدفت هذه الدراسة إلى تطوير وتقييم طريقة آلية لتجزئة فقدان العظام (BL) على الأشعة السينية المحيطية (PA) والتنبؤ بمرحلة ودرجة التهاب اللثة. باستخدام مجموعة بيانات تتكون من 1,000 صورة أشعة سينية للتدريب و1,582 للاختبار، استخدم الباحثون نموذج U-Net لتجزئة BL ونموذج YOLO-v9 لاكتشاف القمة. تم حساب طول الجذر بناءً على إحداثيات القمم المكتشفة ومركز نقطة التقاء المينا والعاج (CEJ). تم استخدام نسبة BL، التي تعرف بأنها نسبة BL إلى طول الجذر، للتنبؤ بمراحل ودرجات التهاب اللثة. تضمنت مقاييس الأداء الدقة، الدقة الإيجابية، الاسترجاع، درجة F1، التقاطع على الاتحاد (IoU)، متوسط الخطأ المطلق (MAE)، معاملات الارتباط داخل الفئة (ICC)، ومتوسط خطأ الجذر التربيعي (RMSE).
أشارت النتائج إلى أن نموذج U-Net حقق معدلات دقة عالية بلغت 94.9%، 92.9%، و95.62% لمجموعات بيانات التدريب والتحقق والاختبار، على التوالي. أظهر نموذج YOLO-v9 دقة متوسطة (mAP) بلغت 66.7%، مع قيم دقة واسترجاع بلغت 79.6% و62.4%، على التوالي. أظهرت نسبة BL المحسوبة توافقًا ممتازًا مع التقييمات السريرية، مع ICC يتجاوز 0.94. تنبأت النماذج بفعالية بالمراحل المتقدمة (III/IV) والدرجات (C) من التهاب اللثة، محققة درجات F1 بلغت 0.945 و0.83، على التوالي. تستنتج الدراسة أن دمج U-Net وYOLO-v9 يعزز من دقة وموثوقية تشخيص وتصنيف التهاب اللثة، مما يشير إلى فائدة عملية كبيرة في الإعدادات السريرية. يجب أن تركز الأبحاث المستقبلية على توسيع مجموعة البيانات وتنقيح النماذج لتحسين قدرات الكشف في المراحل المبكرة.
مقدمة
تناقش مقدمة ورقة البحث التهاب اللثة كمرض التهابي معقد يؤثر على الأنسجة الداعمة للأسنان، مما يؤدي إلى مشكلات صحية فموية ونظامية كبيرة، بما في ذلك فقدان الأسنان وارتباطات مع حالات مثل السكري وأمراض الشرايين التاجية. تعتمد طرق التقييم السريرية الحالية لالتهاب اللثة، التي تعتمد على الفحوصات البصرية واللمسية الذاتية، على عدم الاتساق بسبب اختلافات في تقنيات القياس وخبرة الفاحص. يبرز هذا الحاجة إلى أساليب تشخيصية أكثر موثوقية، خاصة في تحديد فقدان الارتباط السريري (CAL) وفقدان العظام السنخي (BL) بدقة.
لمعالجة هذه التحديات، تؤكد الورقة على إمكانيات تقنيات التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs)، لأتمتة تقييم الصور السنية. تُعتبر هياكل U-Net وYOLO فعالة في تجزئة الصور الطبية واكتشاف الأجسام، على التوالي. تهدف الدراسة إلى تحسين تقييم BL من خلال استخدام نهج آلي يقوم بتجزئة BL عبر عرض كل سن، بدلاً من التركيز فقط على النقاط القريبة والبعيدة، والتي قد تتجاهل مناطق حيوية مثل الفركشنات. من خلال استخدام الأشعة السينية المحيطية ونماذج DL المتقدمة، تسعى الأبحاث إلى تحسين دقة التشخيص وتخطيط العلاج لالتهاب اللثة، مما يمثل تقدمًا كبيرًا مقارنة بالدراسات السابقة التي اعتمدت أساسًا على الأشعة السينية البانورامية ونقاط القياس المحدودة.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل في المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الاختبارات الإحصائية، الضوابط التجريبية، وأي نماذج حسابية مستخدمة.
بالإضافة إلى ذلك، قد يصف القسم حجم العينة ومعايير الاختيار، بالإضافة إلى البروتوكولات المتبعة لضمان سلامة وموثوقية النتائج. من خلال تقديم نظرة شاملة على الطرق، يؤسس هذا القسم الأساس للنتائج المقدمة في الدراسة، مما يسمح بالتقييم النقدي والتكرار من قبل باحثين آخرين في هذا المجال.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يتفصل في نتائج الاختبارات المختلفة، مع تسليط الضوء على الارتباطات الإحصائية المهمة والظواهر الملحوظة. غالبًا ما يتم توضيح البيانات من خلال الجداول والأشكال، التي توفر تمثيلات بصرية للنتائج، مما يسهل تفسير العلاقات المعقدة.
يؤكد القسم على تداعيات هذه النتائج فيما يتعلق بالفرضيات المطروحة في بداية الدراسة. قد يقارن أيضًا النتائج مع الأبحاث السابقة، موضحًا كيف تساهم الدراسة الحالية في الجسم المعرفي القائم. بشكل عام، تؤكد النتائج على أهمية الأسئلة البحثية المعالجة وتضع الأساس لمزيد من المناقشة والتحليل في الأقسام اللاحقة.
المناقشة
في هذه الدراسة، طور المؤلفون وقيّموا نماذج التعلم الآلي لتجزئة فقدان العظام (BL) واكتشاف القمة في الأشعة السينية المحيطية (PA). تتكون مجموعة البيانات من 1,582 صورة من 210 مرضى، مع إجراء تدريب النموذج على مجموعة منفصلة من 1,000 صورة PA. تم استخدام هيكل U-Net لتجزئة BL، محققًا معدلات دقة عالية بلغت 94.9%، 92.9%، و95.62% على مجموعات بيانات التدريب والتحقق والاختبار، على التوالي. سلطت مقاييس التقييم مثل الدقة (97.26%) والاسترجاع (63.90%) الضوء على نقاط قوة النموذج في تحديد البكسلات الإيجابية بدقة بينما تشير إلى مجالات للتحسين في التقاط جميع الحالات ذات الصلة. تم قياس التقاطع على الاتحاد (IoU) عند 81.69%، مما يؤكد أداء التجزئة الفعال.
بالنسبة لاكتشاف القمة، تم تدريب وتقييم نموذج YOLOv9، محققًا دقة متوسطة (mAP) بلغت 66.7% ودقة بلغت 79.6%. أظهر النموذج توافقًا ممتازًا مع التعليقات الحقيقية، كما يتضح من قيم معامل الارتباط داخل الفئة (ICC) العالية التي بلغت 0.9832 و0.9936 لإحداثيات X وY، على التوالي. كما قامت الدراسة بتقييم الحد الأقصى لنسبة BL وتنبؤ مرحلة التهاب اللثة، حيث أظهر النموذج نتائج واعدة في تصنيف مراحل المرض بناءً على نسب BL المحسوبة. بشكل عام، تشير النتائج إلى أن النماذج المقترحة يمكن أن تساعد بشكل موثوق في تشخيص الحالات اللثوية، مع تداعيات محتملة للممارسة السريرية.
القيود
تعتبر قيود الأشعة السينية في تشخيص التهاب اللثة كبيرة، بشكل أساسي بسبب طبيعتها ثنائية الأبعاد، مما قد يؤدي إلى تقدير منخفض لفقدان العظام (BL) في المناطق البوكالية واللسانية. بالإضافة إلى ذلك، لا تلتقط الأشعة السينية الأنسجة الرخوة، وهي ضرورية لتقييم شامل لصحة اللثة. كما أنها تكافح لاكتشاف التغيرات الالتهابية المبكرة والتفريق بين BL القديم والنشط، مما يقيد فائدتها التشخيصية. على الرغم من هذه القيود، تظل الأشعة السينية أساسية في تشخيص التهاب اللثة، خاصة عند استخدامها جنبًا إلى جنب مع الفحوصات السريرية وتاريخ المرضى.
يقدم دمج الذكاء الاصطناعي (AI) في هذه الدراسة تقدمًا واعدًا، مما يمكّن التصنيف الدقيق لمراحل ودرجات مرض اللثة من خلال تحليل الصور الشعاعية. يمكن أن يقوم الذكاء الاصطناعي بتوحيد التفسيرات، وتقليل تباين المراقب، ومعالجة مجموعات بيانات كبيرة بكفاءة، مما يعزز اتخاذ القرار السريري. ومع ذلك، فإن نجاح نماذج الذكاء الاصطناعي يعتمد على جودة الصور العالية والتعليقات الدقيقة، مما يتطلب مشاركة المتخصصين في طب الأسنان لتسمية الصور بشكل موثوق. بينما تظهر الطريقة المقترحة للذكاء الاصطناعي دقة مقارنة بالخبراء السريريين، من المهم ملاحظة أنها تعتمد فقط على بيانات الصور ولا تتضمن معلومات حيوية عن المرضى، مثل التاريخ الطبي وطب الأسنان. يجب أن تهدف الأبحاث المستقبلية إلى تنويع مجموعة البيانات واستكشاف أساليب نمذجة مختلفة، بما في ذلك هياكل المحولات والشبكات العصبية التلافيفية (CNNs)، لتحسين القابلية العامة وأداء الذكاء الاصطناعي في التنبؤ بمراحل ودرجات مرض اللثة بناءً على الأشعة السينية المحيطية (PA).
DOI: https://doi.org/10.3389/fdmed.2024.1479380
PMID: https://pubmed.ncbi.nlm.nih.gov/39917648
Publication Date: 2024-10-10
Author(s): Nazila Ameli et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study aimed to develop and assess an automated method for segmenting bone loss (BL) on periapical (PA) radiographs and predicting the stage and grade of periodontitis. Utilizing a dataset of 1,000 PA radiographs for training and 1,582 for testing, the researchers employed a U-Net model for BL segmentation and YOLO-v9 for apex detection. The root length was calculated based on the coordinates of detected apexes and the center of the cemento-enamel junction (CEJ). The BL percentage, defined as the ratio of BL to root length, was used to predict periodontitis stages and grades. Performance metrics included accuracy, precision, recall, F1-score, Intersection over Union (IoU), mean absolute error (MAE), intraclass correlation coefficients (ICC), and root mean square error (RMSE).
The results indicated that the U-Net model achieved high accuracy rates of 94.9%, 92.9%, and 95.62% for training, validation, and test datasets, respectively. The YOLO-v9 model demonstrated a mean Average Precision (mAP) of 66.7%, with precision and recall values of 79.6% and 62.4%, respectively. The calculated BL percentage showed excellent agreement with clinical assessments, with an ICC exceeding 0.94. The models effectively predicted advanced stages (III/IV) and grades (C) of periodontitis, achieving F1-scores of 0.945 and 0.83, respectively. The study concludes that the integration of U-Net and YOLO-v9 enhances the accuracy and reliability of diagnosing and grading periodontitis, suggesting significant practical utility in clinical settings. Future research should focus on expanding the dataset and refining the models to improve early-stage detection capabilities.
Introduction
The introduction of the research paper discusses periodontitis as a complex inflammatory disease affecting the dental supporting tissues, leading to significant oral and systemic health issues, including tooth loss and associations with conditions like diabetes and coronary artery disease. The current clinical assessment methods for periodontitis, which rely on subjective visual and tactile examinations, are prone to inconsistencies due to variations in measurement techniques and examiner experience. This highlights the need for more reliable diagnostic approaches, particularly in accurately determining clinical attachment loss (CAL) and alveolar bone loss (BL).
To address these challenges, the paper emphasizes the potential of deep learning (DL) techniques, particularly convolutional neural networks (CNNs), for automating the evaluation of dental images. The U-Net and YOLO architectures are noted for their effectiveness in medical image segmentation and object detection, respectively. The study aims to enhance the assessment of BL by employing an automated approach that segments BL across the entire width of each tooth, rather than focusing solely on mesial and distal points, which may overlook critical areas like furcations. By utilizing periapical radiographs and advanced DL models, the research seeks to improve diagnostic accuracy and treatment planning for periodontitis, marking a significant advancement over previous studies that primarily relied on panoramic radiographs and limited measurement points.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical tests, experimental controls, and any computational models utilized.
Additionally, the section may describe the sample size and selection criteria, as well as the protocols followed to ensure the integrity and validity of the results. By providing a comprehensive overview of the methods, this section establishes the foundation for the findings presented in the study, allowing for critical evaluation and replication by other researchers in the field.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant statistical correlations and observed phenomena. The data is often illustrated through tables and figures, which provide visual representations of the results, enabling easier interpretation of complex relationships.
The section emphasizes the implications of these findings in relation to the hypotheses posed at the outset of the study. It may also compare the results with previous research, demonstrating how the current study contributes to the existing body of knowledge. Overall, the results underscore the importance of the research questions addressed and set the stage for further discussion and analysis in subsequent sections.
Discussion
In this study, the authors developed and evaluated machine learning models for bone loss (BL) segmentation and apex detection in periapical (PA) radiographs. The dataset comprised 1,582 images from 210 patients, with model training conducted on a separate set of 1,000 PA images. The U-Net architecture was employed for BL segmentation, achieving high accuracy rates of 94.9%, 92.9%, and 95.62% on training, validation, and test datasets, respectively. Evaluation metrics such as precision (97.26%) and recall (63.90%) highlighted the model’s strengths in accurately identifying positive pixels while indicating areas for improvement in capturing all relevant instances. The Intersection over Union (IoU) was measured at 81.69%, confirming effective segmentation performance.
For apex detection, the YOLOv9 model was trained and evaluated, achieving a mean Average Precision (mAP) of 66.7% and precision of 79.6%. The model demonstrated excellent agreement with ground truth annotations, as indicated by high Intraclass Correlation Coefficient (ICC) values of 0.9832 and 0.9936 for the X and Y coordinates, respectively. The study also assessed the maximum BL percentage and periodontitis stage prediction, with the model showing promising results in categorizing disease stages based on calculated BL percentages. Overall, the findings suggest that the proposed models can reliably assist in diagnosing periodontal conditions, with potential implications for clinical practice.
Limitations
The limitations of radiographs in diagnosing periodontitis are significant, primarily due to their two-dimensional nature, which can lead to an underestimation of bone loss (BL) in the buccal and lingual areas. Additionally, radiographs do not capture soft tissue, essential for a comprehensive assessment of periodontal health. They also struggle to detect early inflammatory changes and differentiate between old and active BL, which constrains their diagnostic utility. Despite these limitations, radiographs remain fundamental in periodontal diagnosis, particularly when used alongside clinical examinations and patient histories.
The integration of artificial intelligence (AI) in this study presents a promising advancement, enabling precise classification of periodontal disease stages and grades through the analysis of radiographic images. AI can standardize interpretations, reduce observer variability, and efficiently process large datasets, thereby enhancing clinical decision-making. However, the success of AI models is contingent upon high-quality images and accurate annotations, necessitating the involvement of dental professionals for reliable image labeling. While the proposed AI method shows comparable accuracy to clinical experts, it is crucial to note that it relies solely on image data and does not incorporate vital patient information, such as medical and dental history. Future research should aim to diversify the dataset and explore various modeling approaches, including transformer architectures and convolutional neural networks (CNNs), to improve the generalizability and performance of AI in predicting periodontal disease stages and grades based on periapical (PA) radiographs.