DOI: https://doi.org/10.1038/s41405-024-00260-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39353905
تاريخ النشر: 2024-10-01
المؤلف: Riem Abdelazim وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تبحث الدراسة في دمج تقنيات الذكاء الاصطناعي (AI) لتعزيز الكشف والتشخيص عن كسور الجذور في الأشعة السينية السنية، مما يساعد بشكل خاص أطباء الأسنان الجدد الذين قد يواجهون صعوبة مع الطرق التقليدية. تم استخدام مجموعة بيانات تضم 400 صورة شعاعية، تتكون من أسنان مكسورة وغير مكسورة، مع استخدام تقنيات معالجة البيانات لضمان توزيع عينة متوازن. نفذت الدراسة آلية تصويت عبر خمسة نماذج مدربة مسبقًا—VGG16، VGG19، ResNet50، DenseNet121، وDenseNet169—لتحليل الصور، مع التركيز على مقاييس الخسارة والدقة.
أشارت النتائج إلى أن VGG16 حقق أدنى خسائر في التدريب والتحقق (0.09% و0.18%، على التوالي) وأظهر خصوصية وحساسية وقيمة تنبؤية إيجابية (PPV) عالية. بينما أظهر VGG19 إمكانية الإفراط في التكيف، عانت ResNet50 من انحياز نحو الحالات غير المكسورة. نجح DenseNet121 في التخفيف من الإفراط في التكيف والضوضاء، مما أسفر عن مقاييس متوازنة مع PPVs تبلغ 0.933 للحالات المكسورة و0.898 للحالات غير المكسورة. أظهر DenseNet169، مع زيادة العمق، قدرات تحسين عامة محسنة. بشكل عام، أظهر النظام القائم على الذكاء الاصطناعي وعدًا كبيرًا لأتمتة الكشف عن كسور الجذور في الأشعة السينية المحيطية، مما يشير إلى مسار قابل للتطبيق لتعزيز دقة التشخيص في ممارسة طب الأسنان.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة للكشف المبكر والدقيق عن كسور الجذور في طب الأسنان، حيث يؤثر بشكل كبير على خيارات العلاج وتوقعات المرضى. يمكن أن تحدث كسور الجذور، التي يمكن أن تحدث في ما يصل إلى 7% من الحالات، في نوعين: الصدمات والإرهاق المزمن. تعتبر الطرق التشخيصية التقليدية، التي تعتمد أساسًا على التقييمات الشعاعية، ذات طابع ذاتي وتعتمد بشكل كبير على خبرة الفاحص، مما يؤدي إلى احتمالية حدوث تشخيصات خاطئة، خاصة بين الممارسين الأقل خبرة. تؤكد قيود الأشعة السينية ثنائية الأبعاد (2D)، مثل التشويه والتراكب، على الحاجة إلى تقنيات تصوير متقدمة مثل التصوير المقطعي المحوسب باستخدام شعاع مخروط (CBCT)، والذي يوفر رؤى أوضح ثلاثية الأبعاد للهياكل السنية.
يتم تقديم دمج الذكاء الاصطناعي (AI) في التشخيصات السنية كتحسين واعد، حيث تظهر خوارزميات الذكاء الاصطناعي فعالية في تفسير الصور السنية والتنبؤ بالحالات الفموية. من الجدير بالذكر أن الشبكات العصبية التلافيفية (CNNs) أظهرت إمكانيات في تحديد وتصنيف الشذوذات السنية، بما في ذلك كسور الجذور. تشير الدراسات السابقة إلى أن نماذج الذكاء الاصطناعي، وخاصة تلك المدربة على صور CBCT، تتفوق على الطرق التقليدية وحتى الخبراء البشريين في الكشف عن الكسور. تهدف هذه الدراسة إلى التحقق من صحة خمسة خوارزميات ذكاء اصطناعي مختلفة، وتقييم خصوصيتها وحساسيتها وقيمتها التنبؤية الإيجابية (PPV) في الكشف عن كسور الجذور، مع تقديم آلية تصويت لتعزيز دقة التشخيص وتقليل الأخطاء البشرية في الممارسة السريرية.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتناول المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة المتبعة، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير البيانات.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك الضوابط والمتغيرات، فضلاً عن المعايير لجمع البيانات وتحليلها. تضمن هذه المقاربة الدقيقة أن تكون النتائج قوية ويمكن التحقق منها من قبل باحثين آخرين في هذا المجال. بشكل عام، تعتبر وضوح ودقة الطرق أمرًا حاسمًا لسلامة نتائج البحث.
النتائج
تشير نتائج الدراسة إلى أن بنية VGG16 تفوقت بشكل كبير على VGG19 في الكشف عن كسور الأسنان. حقق VGG16 خسارة تدريب منخفضة تبلغ 0.09% وخسارة تحقق تبلغ 0.18%، مما يدل على تعلم فعال دون الإفراط في التكيف. أظهر النموذج خصوصية تبلغ 93.6% للأسنان السليمة وحساسية تبلغ 89.3% للأسنان المكسورة، مع قيمة تنبؤية إيجابية (PPV) تبلغ 93.3% للكسور. بالنسبة للأسنان غير المكسورة، كانت الخصوصية 89.36% والحساسية 93.6%، مما أسفر عن PPV يبلغ 89.7%. وصلت منحنى خصائص التشغيل المستقبلية (ROC) لـ VGG16 إلى قيمة 0.99، مما يبرز أدائه القوي.
في المقابل، أظهر نموذج VGG19 خسائر تدريب (0.55%) وتحقيق (0.61%) أعلى، مما يشير إلى خطر الإفراط في التكيف. كانت حساسيته للحالات المكسورة منخفضة بشكل ملحوظ عند 0.447، بينما كانت الحساسية للحالات غير المكسورة أعلى عند 0.745. كانت الخصوصية للحالات المكسورة 0.745، ولكنها كانت فقط 0.447 للحالات غير المكسورة، مما أدى إلى PPVs تبلغ 0.636 و0.574، على التوالي. كانت منحنى ROC لـ VGG19 0.74، مما يبرز مرة أخرى فعالية VGG16 المتفوقة في هذا التطبيق.
المناقشة
تحققت الدراسة من فعالية الذكاء الاصطناعي (AI) في الكشف عن كسور جذور الأسنان باستخدام الأشعة السينية الرقمية ثنائية الأبعاد المحيطية. تم الحصول على الموافقة الأخلاقية، وتم تصنيف ما مجموعه 400 سن أمامي مستخرج ذو جذر واحد إلى مجموعات مكسورة وسليمة. استخدمت الدراسة خمسة نماذج ذكاء اصطناعي—VGG16، VGG19، ResNet50، DenseNet121، وDenseNet169—تم تكوينها للتدريب المتسق لتعزيز دقة الكشف عن الكسور. تم إخضاع النماذج لنظام تصويت للتخفيف من التحيزات الفردية وتحسين الأداء التنبؤي العام. أشارت النتائج الرئيسية إلى أن DenseNet121 وDenseNet169 تفوقا على النماذج الأخرى، محققين معدلات حساسية وخصوصية عالية، بينما عانت ResNet50 من الضوضاء والانحياز، خاصة في تحديد الجذور المكسورة.
أكدت الدراسة على إمكانيات الذكاء الاصطناعي في التشخيصات السنية، خاصة للممارسين الأقل خبرة، مع الاعتراف بالقيود في القابلية للتعميم بسبب طبيعة إعداد العينة خارج الجسم. تتماشى النتائج مع الأدبيات الحالية التي تدعم دور الذكاء الاصطناعي في تعزيز دقة التشخيص في طب الأسنان، على الرغم من أن منهجية الدراسة تختلف عن الأخرى التي استخدمت بيانات مرضى حقيقية أو تقنيات تصوير أكثر تعقيدًا. يُوصى بإجراء أبحاث مستقبلية للتحقق من صحة هذه النماذج في البيئات السريرية، ودمج مجموعات بيانات أكبر، واستكشاف دمج أنظمة الذكاء الاصطناعي في الممارسات السنية الروتينية لتعزيز القدرات التشخيصية بشكل أكبر.
DOI: https://doi.org/10.1038/s41405-024-00260-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39353905
Publication Date: 2024-10-01
Author(s): Riem Abdelazim et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research investigates the integration of artificial intelligence (AI) techniques to enhance the detection and diagnosis of root fractures in dental radiographs, particularly aiding newly qualified dentists who may struggle with traditional methods. A dataset of 400 radiographic images, comprising both fractured and unfractured teeth, was utilized, with data handling techniques employed to ensure balanced sample distribution. The study implemented a voting mechanism across five pretrained models—VGG16, VGG19, ResNet50, DenseNet121, and DenseNet169—to analyze the images, focusing on loss and accuracy metrics.
Results indicated that VGG16 achieved the lowest training and validation losses (0.09% and 0.18%, respectively) and demonstrated high specificity, sensitivity, and positive predictive value (PPV). While VGG19 showed potential overfitting, ResNet50 struggled with bias towards unfractured cases. DenseNet121 effectively mitigated overfitting and noise, yielding balanced metrics with PPVs of 0.933 for fractured and 0.898 for unfractured cases. DenseNet169, with increased depth, exhibited improved generalization capabilities. Overall, the AI-based system demonstrated significant promise for automating root fracture detection in periapical radiographs, suggesting a viable pathway for enhancing diagnostic accuracy in dental practice.
Introduction
The introduction highlights the critical importance of early and accurate detection of root fractures in dentistry, as it significantly influences treatment options and patient prognosis. Root fractures, which can occur in up to 7% of cases, are classified into traumatic and chronic fatigue types. Traditional diagnostic methods, primarily radiographic assessments, are subjective and heavily reliant on the examiner’s experience, leading to potential misdiagnoses, particularly among less experienced practitioners. The limitations of two-dimensional (2D) radiographs, such as distortion and superimposition, underscore the need for advanced imaging techniques like cone beam computed tomography (CBCT), which provides clearer, three-dimensional views of dental structures.
The integration of artificial intelligence (AI) into dental diagnostics is presented as a promising advancement, with AI algorithms demonstrating efficacy in interpreting dental imagery and predicting oral conditions. Notably, Convolutional Neural Networks (CNNs) have shown potential in identifying and classifying dental anomalies, including root fractures. Previous studies indicate that AI models, particularly those trained on CBCT images, outperform traditional methods and even human experts in fracture detection. This research aims to validate five different AI algorithms, assessing their specificity, sensitivity, and positive predictive value (PPV) in detecting root fractures, while also introducing a voting mechanism to enhance diagnostic accuracy and reduce human error in clinical practice.
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 step-by-step processes followed, including any statistical analyses performed to interpret the data.
Additionally, the section may describe the experimental setup, including controls and variables, as well as the criteria for data collection and analysis. This rigorous approach ensures that the findings are robust and can be validated by other researchers in the field. Overall, the clarity and precision of the methods are crucial for the integrity of the research outcomes.
Results
The results of the study indicate that the VGG16 architecture significantly outperformed VGG19 in the detection of dental fractures. VGG16 achieved a low training loss of 0.09% and a validation loss of 0.18%, indicating effective learning without overfitting. The model demonstrated a specificity of 93.6% for healthy teeth and a sensitivity of 89.3% for fractured teeth, with a positive predictive value (PPV) of 93.3% for fractures. For nonfractured teeth, specificity was 89.36% and sensitivity was 93.6%, resulting in a PPV of 89.7%. The receiver operating characteristic (ROC) curve for VGG16 reached a value of 0.99, highlighting its robust performance.
In contrast, the VGG19 model exhibited higher training (0.55%) and validation (0.61%) losses, suggesting a risk of overfitting. Its sensitivity for fractured cases was notably low at 0.447, while sensitivity for unfractured cases was higher at 0.745. Specificity for fractured cases was 0.745, but only 0.447 for unfractured cases, leading to PPVs of 0.636 and 0.574, respectively. The ROC curve for VGG19 was 0.74, further emphasizing the superior efficacy of VGG16 in this application.
Discussion
The study investigated the efficacy of artificial intelligence (AI) in detecting dental root fractures using digital 2D periapical radiographs. Ethical approval was secured, and a total of 400 extracted single-rooted anterior teeth were categorized into fractured and intact groups. The research employed five AI models—VGG16, VGG19, ResNet50, DenseNet121, and DenseNet169—configured for consistent training to enhance fracture detection accuracy. The models were subjected to a voting system to mitigate individual biases and improve overall predictive performance. Key findings indicated that DenseNet121 and DenseNet169 outperformed the other models, achieving high sensitivity and specificity rates, while ResNet50 struggled with noise and bias, particularly in identifying fractured roots.
The study emphasized the potential of AI in dental diagnostics, particularly for less experienced practitioners, while acknowledging limitations in generalizability due to the ex vivo nature of the sample preparation. The findings align with existing literature that supports AI’s role in enhancing diagnostic accuracy in dentistry, although the study’s methodology differed from others that utilized real patient data or more complex imaging techniques. Future research is recommended to validate these models in clinical settings, incorporate larger datasets, and explore the integration of AI systems into routine dental practices to further enhance diagnostic capabilities.