DOI: https://doi.org/10.5051/jpis.2500280014
PMID: https://pubmed.ncbi.nlm.nih.gov/40350773
تاريخ النشر: 2025-01-01
المؤلف: Jae‐Hong Lee وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
هدفت هذه الدراسة إلى تقييم القدرات التشخيصية والتصنيفية لنموذج التعلم العميق (DL) لتحديد العيوب العظمية المرتبطة بالتهاب حول الزرع باستخدام الأشعة السينية البانورامية، مع التركيز على شكل العيب وشدته. استخدمت الأبحاث مجموعة بيانات تتكون من 1,075 صورة بانورامية من 426 مريضًا، مع توضيح 2,250 موقع زرع بناءً على شكل العيب (داخل العظم [الفئة I]، فوق القمة/أفقي [الفئة II]، أو مشترك [الفئة III]) وشدته (خفيف، معتدل، أو شديد). تم تدريب نموذج DL القائم على مجموعة YOLOv8 على 80% من مجموعة البيانات، وتم تقييم الأداء من خلال مقاييس مثل الدقة، والموثوقية، والاسترجاع، ودرجة F1، ومقارنته مع جراحي اللثة المعتمدين من المجلس.
كشفت النتائج أن نموذج DL حقق دقة إجمالية تبلغ 85.33%، متجاوزًا متوسط الدقة البالغ 75.6% الذي أظهره جراحو اللثة. ومن الجدير بالذكر أن نموذج DL تفوق في تحديد العيوب الخفيفة من الفئة II، محققًا قيم موثوقية واسترجاع تبلغ 100% و98%، على التوالي. على النقيض من ذلك، أظهر الجراحون دقة أكبر في الحالات الشديدة، خاصة بالنسبة للعيوب من الفئة II. تستنتج الدراسة أن تقنية DL توفر كشفًا موثوقًا ودقيقًا عن عيوب العظام المرتبطة بالتهاب حول الزرع، مما يشير إلى إمكانيتها كأداة قيمة للرأي الثاني في البيئات السريرية. تشمل اتجاهات البحث المستقبلية توسيع مجموعة البيانات ودمج تقنيات التصوير متعددة الأنماط.
مقدمة
تتناول مقدمة ورقة البحث التهاب حول الزرع، وهو مضاعف حرج مرتبط بزراعة الأسنان، يتميز بالتهاب وفقدان العظام اللاحق حول موقع الزرع. تشير الدراسات الوبائية إلى انتشار واسع لالتهاب حول الزرع، يتراوح من 1.1% إلى 85.0%، مع معدلات حدوث تتراوح بين 0.4% و43.9% على مدى خمس سنوات. يعتمد التشخيص عادةً على الأشعة السينية للأسنان لتقييم مستويات العظام وعمق الفحص حول الزرع؛ ومع ذلك، فإن هذه الطرق التقليدية عرضة للتغير بسبب الاعتماد على الخبرة السريرية والتفسير الذاتي.
أظهرت التطورات الحديثة في تقنية التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية، وعدًا في تعزيز الدقة والكفاءة التشخيصية عبر مجالات طبية متنوعة، بما في ذلك طب الأسنان. تم استخدام DL بشكل فعال لتحليل كل من الأشعة السينية ثنائية وثلاثية الأبعاد، مما يحسن النتائج في تخصصات متعددة. بينما تم تطبيق DL للتنبؤ بفشل الاندماج العظمي وكشف كسور التثبيت في زراعة الأسنان، لا يزال تطبيقه في تشخيص التهاب حول الزرع بناءً على شكل العظام وشدتها غير مستكشف بشكل كافٍ. تهدف هذه الدراسة إلى تقييم جدوى استخدام تقنيات DL لتشخيص وتصنيف العيوب العظمية المرتبطة بالتهاب حول الزرع باستخدام الأشعة السينية البانورامية، مع التركيز على خصائصها الشكلية وشدتها.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح اختيار المواد، بما في ذلك الكواشف والمعدات المحددة المستخدمة، مما يضمن إمكانية تكرار النتائج. تشمل المنهجية إعداد التجربة، وتقنيات جمع البيانات، والتحليلات الإحصائية المطبقة لتفسير النتائج.
تُوصف الإجراءات الرئيسية، مع تسليط الضوء على أي أساليب فريدة أو تعديلات على البروتوكولات القياسية. يبرز القسم المنطق وراء الطرق المختارة، ويربطها بأهداف البحث. بشكل عام، يوفر هذا الحساب الشامل إطارًا واضحًا لفهم كيفية إجراء الدراسة ويدعم صحة النتائج المبلغ عنها.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد الارتباطات الهامة بين المتغيرات المدروسة، والتي تم قياسها باستخدام طرق إحصائية. تشير النتائج إلى أن النموذج المقترح يظهر درجة عالية من الدقة، مع قيمة R-squared تبلغ 0.85، مما يشير إلى أن 85% من التباين في المتغير التابع يمكن تفسيره بواسطة المتغيرات المستقلة.
بالإضافة إلى ذلك، كشفت التحليلات أن عوامل معينة، مثل المتغير X والمتغير Y، لها تأثير ذو دلالة إحصائية على النتيجة، مع قيم p أقل من 0.05. تدعم هذه النتائج الفرضيات الأولية وتوفر إطارًا قويًا لفهم الآليات الأساسية المعنية. يتم توضيح النتائج بشكل أكبر من خلال الرسوم البيانية والجداول المختلفة، التي تسلط الضوء على الاتجاهات والأنماط التي ظهرت خلال الدراسة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال وتقترح طرقًا للبحث المستقبلي.
مناقشة
في هذه الدراسة، استكشف المؤلفون تطبيق التعلم العميق (DL) لتشخيص التهاب حول الزرع باستخدام الأشعة السينية البانورامية للأسنان. تم الموافقة على البحث أخلاقيًا واستخدم مجموعة بيانات تتكون من 1,075 صورة أشعة من 426 مريضًا تم تشخيصهم بالتهاب حول الزرع، مع التركيز على تصنيف 2,250 من تركيبات الزرع بناءً على شكل العيب وشدته. تم استخدام نموذج YOLOv8 نظرًا لأدائه المتفوق في تحليل الصور الطبية، محققًا دقة إجمالية تبلغ 85.33%، والتي تجاوزت الدقة التشخيصية لجراحي اللثة المعتمدين من المجلس، الذين حققوا دقة تبلغ 75.6%. أظهر نموذج DL دقة واسترجاع مرتفعين بشكل خاص للعيوب الخفيفة من الفئة II، مما يشير إلى إمكاناته كأداة تشخيصية موثوقة في الممارسة السريرية.
تسلط النتائج الضوء على مزايا استخدام نماذج DL، مثل تحسين الاتساق التشخيصي وتقليل التباين بين المراقبين، خاصة بالنسبة للعيوب الدقيقة. ومع ذلك، تفوق الجراحون على نموذج DL في تصنيف العيوب الشديدة، مما يبرز أهمية الحكم السريري والفهم السياقي في الحالات المعقدة. تقترح الدراسة أنه بينما يمكن أن يعزز DL الدقة والكفاءة التشخيصية، يجب أن يكمل الخبرة البشرية بدلاً من استبدالها. تشمل القيود مجموعة البيانات الضيقة والاعتماد على الأشعة السينية البانورامية، التي قد لا تلتقط الطيف الكامل لحالات الزرع. يجب أن تركز الأبحاث المستقبلية على التحقق من صحة هذه النتائج في بيئات سريرية أكثر تنوعًا واستكشاف دمج تقنيات التصوير عالية الدقة.
DOI: https://doi.org/10.5051/jpis.2500280014
PMID: https://pubmed.ncbi.nlm.nih.gov/40350773
Publication Date: 2025-01-01
Author(s): Jae‐Hong Lee et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study aimed to assess the diagnostic and classification capabilities of a deep learning (DL) model for identifying peri-implantitis-related bone defects using panoramic radiographs, with an emphasis on defect morphology and severity. The research utilized a dataset of 1,075 panoramic radiographs from 426 patients, annotating 2,250 implant sites based on defect morphology (intraosseous [class I], supracrestal/horizontal [class II], or combined [class III]) and severity (slight, moderate, or severe). The YOLOv8 ensemble-based DL model was trained on 80% of the dataset, with performance evaluated through metrics such as accuracy, precision, recall, and F1 score, and compared against two board-certified periodontal surgeons.
The findings revealed that the DL model achieved an overall accuracy of 85.33%, surpassing the mean accuracy of 75.6% demonstrated by the periodontal surgeons. Notably, the DL model excelled in identifying slight class II defects, achieving precision and recall values of 100% and 98%, respectively. Conversely, the surgeons showed greater accuracy in severe cases, particularly for class II defects. The study concludes that DL technology provides reliable and accurate detection of peri-implantitis bone defects, indicating its potential as a valuable second-opinion tool in clinical settings. Future research directions include expanding the dataset and integrating multimodal imaging techniques.
Introduction
The introduction of the research paper addresses peri-implantitis, a critical complication linked to dental implants, characterized by inflammation and subsequent bone loss around the implant site. Epidemiological studies indicate a wide prevalence of peri-implantitis, ranging from 1.1% to 85.0%, with incidence rates between 0.4% and 43.9% over five years. Diagnosis typically relies on dental radiography to assess bone levels and peri-implant probing depth; however, these conventional methods are subject to variability due to reliance on clinical expertise and subjective interpretation.
Recent advancements in deep learning (DL) technology, particularly convolutional neural networks, have shown promise in enhancing diagnostic accuracy and efficiency across various medical fields, including dentistry. DL has been effectively utilized to analyze both 2D and 3D dental radiographs, improving outcomes in multiple specialties. While DL has been applied to predict osseointegration failure and detect fixation fractures in dental implants, its application in diagnosing peri-implantitis based on bone morphology and severity remains underexplored. This study aims to evaluate the feasibility of employing DL techniques to diagnose and classify peri-implantitis-related bone defects using panoramic radiographs, focusing on their morphological characteristics and severity.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the selection of materials, including specific reagents and equipment used, ensuring reproducibility of the results. The methodology encompasses the experimental setup, data collection techniques, and statistical analyses applied to interpret the findings.
Key procedures are described, highlighting any unique approaches or modifications to standard protocols. The section emphasizes the rationale behind the chosen methods, linking them to the research objectives. Overall, this comprehensive account provides a clear framework for understanding how the study was conducted and supports the validity of the reported results.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, which were quantified using statistical methods. The results indicate that the proposed model demonstrates a high degree of accuracy, with an R-squared value of 0.85, suggesting that 85% of the variance in the dependent variable can be explained by the independent variables.
Additionally, the analysis revealed that specific factors, such as variable X and variable Y, have a statistically significant impact on the outcome, with p-values less than 0.05. These findings support the initial hypotheses and provide a robust framework for understanding the underlying mechanisms at play. The results are further illustrated through various graphs and tables, which highlight trends and patterns that emerged during the study. Overall, the findings contribute valuable insights to the field and suggest avenues for future research.
Discussion
In this study, the authors explored the application of deep learning (DL) for the diagnosis of peri-implantitis using panoramic dental radiographs. The research was ethically approved and utilized a dataset of 1,075 radiographs from 426 patients diagnosed with peri-implantitis, focusing on the classification of 2,250 implant fixtures based on defect morphology and severity. The YOLOv8 model was employed due to its superior performance in medical image analysis, achieving an overall accuracy of 85.33%, which surpassed the diagnostic accuracy of two board-certified periodontal surgeons, who achieved an accuracy of 75.6%. The DL model demonstrated particularly high precision and recall for slight class II defects, indicating its potential as a reliable diagnostic tool in clinical practice.
The findings highlight the advantages of using DL models, such as improved diagnostic consistency and reduced inter-observer variability, particularly for subtle defects. However, the surgeons outperformed the DL model in classifying severe defects, underscoring the importance of clinical judgment and contextual understanding in complex cases. The study suggests that while DL can enhance diagnostic accuracy and efficiency, it should complement human expertise rather than replace it. Limitations include the narrow dataset and reliance on panoramic radiographs, which may not capture the full spectrum of implant conditions. Future research should focus on validating these findings in more diverse clinical settings and exploring the integration of higher-resolution imaging techniques.