DOI: https://doi.org/10.1038/s41598-025-16591-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41022932
تاريخ النشر: 2025-09-29
المؤلف: Suchaya Pornprasertsuk‐Damrongsri وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
في هذه الدراسة، تحقق أراياسانتيبارب ومونغكولوات من تطبيق تقنيات التعلم العميق لتعزيز اكتشاف تسوس الأسنان على الأشعة السينية البانورامية، وهي مهمة غالبًا ما يتم تجاهلها في الممارسة السريرية. باستخدام مجموعة بيانات تتكون من 500 صورة بانورامية تم التحقق منها مقابل صور بايتوينغ، حدد الباحثون 1,792 حالة من التسوس عبر 14,997 سنًا، مع توفير التعليقات التوضيحية من قبل أخصائي أشعة مدرب. استخدم إطار التعلم العميق استراتيجية نموذج مزدوج، حيث تم دمج YOLOv5 لاكتشاف الأسنان وAttention U-Net لتقسيم التسوس.
تشير النتائج إلى أن نظام التعلم العميق حقق مستوى عالٍ من الاتفاق مع المتخصصين في طب الأسنان بشأن عدد التسوس وتصنيفاته، بما في ذلك تسوس المينا، والعاج، واللب. ومن الجدير بالذكر أن النموذج أظهر معدل استرجاع مرتفع قدره 0.96، مما يدل على فعاليته في تقليل الإصابات المفقودة، على الرغم من أنه أحيانًا ما توقع تسوسًا في الأسنان السليمة. شملت مقاييس الأداء العامة درجة F1 قدرها 0.85 ودقة قدرها 0.93 لتقسيم التسوس في الأسنان الخلفية، متجاوزة المعايير السابقة. تسلط هذه الدراسة الضوء على إمكانيات التعلم العميق للمساعدة في تشخيص تسوس الأسنان، وتخطيط العلاج، والأغراض التعليمية.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في سلوك النظام، كما هو موضح في الأشكال والجداول المرفقة، التي تقدم تمثيلًا بصريًا للبيانات.
علاوة على ذلك، تُظهر تحليل التباين (ANOVA) الذي تم إجراؤه أن الفروق بين المجموعات كبيرة، مما يعزز الفرضية المقترحة في الدراسة. تشمل النتائج أيضًا نتائج عددية محددة، مثل القيم المتوسطة والانحرافات المعيارية، التي توضح بشكل أكبر خصائص الظواهر الملاحظة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث وتضع الأساس للتحقيقات المستقبلية.
المناقشة
تقدم الدراسة نظام ذكاء اصطناعي مبتكر لتقسيم تسوس الأسنان في الأشعة السينية البانورامية، باستخدام تقنيات التعلم العميق. يستخدم النظام نموذجين: نموذج اكتشاف الأسنان يعتمد على بنية YOLOv5، محققًا دقة قدرها 99.6% ومعدل استرجاع قدره 98.9%، ونموذج تقسيم التسوس باستخدام Attention U-Net، الذي يتضمن بوابات الانتباه لتعزيز التركيز على الميزات أثناء التقسيم. تتكون مجموعة بيانات التدريب من 14,997 صورة سنية مستخرجة من 500 صورة بانورامية، مع وجود حقيقة أرضية قوية تم تأسيسها من خلال وضع علامات دقيقة من قبل أخصائيي أشعة ذوي خبرة. تشير النتائج إلى توافق قوي (kappa مرجح ≥ 0.9) بين تقسيم الذكاء الاصطناعي والحقيقة الأرضية عبر تصنيفات مختلفة للتسوس، خاصةً لتسوس الأسنان الذي يشمل اللب.
على الرغم من الأداء الواعد، أظهر نظام الذكاء الاصطناعي بعض القيود، خاصة في التقليل من تقدير تسوس المينا مقارنةً بتقييمات أخصائيي الأشعة. كشفت تحليل مصفوفة الالتباس عن ميل النموذج لتوقع تسوس في الأسنان السليمة، مما أدى إلى درجة دقة معتدلة قدرها 0.77. ومع ذلك، تشير معدلات الاسترجاع العالية (0.96) والخصوصية (0.93-0.94) إلى أن النموذج فعال في تحديد معظم الإصابات التسوسية. بشكل عام، بينما يظهر نظام الذكاء الاصطناعي إمكانيات كبيرة للمساعدة في اتخاذ القرارات السريرية، إلا أنه ليس جاهزًا بعد للعمل كأداة تشخيصية مستقلة، مما يبرز الحاجة إلى مزيد من التحسين والتحقق في البيئات السريرية.
DOI: https://doi.org/10.1038/s41598-025-16591-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41022932
Publication Date: 2025-09-29
Author(s): Suchaya Pornprasertsuk‐Damrongsri et al.
Primary Topic: Dental Radiography and Imaging
Overview
In this study, Arayasantiparb and Mongkolwat investigate the application of deep learning techniques to enhance the detection of dental caries on panoramic radiographs, a task often neglected in clinical practice. Utilizing a dataset of 500 panoramic radiographs validated against bitewing radiographs, the researchers identified 1,792 instances of caries across 14,997 teeth, with annotations provided by a calibrated radiologist. The deep learning framework employed a dual-model strategy, integrating YOLOv5 for tooth detection and Attention U-Net for caries segmentation.
The results indicate that the deep learning system achieved a high level of agreement with dental professionals regarding caries counts and classifications, including enamel, dentine, and pulp caries. Notably, the model demonstrated a high recall rate of 0.96, indicating its effectiveness in minimizing missed lesions, although it occasionally overpredicted caries in healthy teeth. The overall performance metrics included an F1-score of 0.85 and an accuracy of 0.93 for caries segmentation in posterior teeth, surpassing previous benchmarks. This research highlights the potential of deep learning to assist in dental caries diagnosis, treatment planning, and educational purposes.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate a clear trend in the behavior of the system, as illustrated by the accompanying figures and tables, which provide a visual representation of the data.
Furthermore, the analysis of variance (ANOVA) conducted shows that the differences among the groups are substantial, reinforcing the hypothesis proposed in the study. The findings also include specific numerical results, such as mean values and standard deviations, which further elucidate the characteristics of the observed phenomena. Overall, the results contribute valuable insights into the research question and lay the groundwork for future investigations.
Discussion
The study presents an innovative artificial intelligence (AI) system for the segmentation of dental caries in panoramic radiographs, utilizing deep learning (DL) techniques. The system employs two models: a tooth detection model based on the YOLOv5 architecture, achieving a precision of 99.6% and a recall of 98.9%, and a caries segmentation model utilizing Attention U-Net, which incorporates Attention Gates to enhance feature focus during segmentation. The training dataset consisted of 14,997 tooth images extracted from 500 panoramic radiographs, with a robust ground truth established through meticulous labeling by experienced radiologists. The results indicate strong agreement (weighted kappa ≥ 0.9) between the AI’s segmentation and the ground truth across various caries classifications, particularly for caries with pulp involvement.
Despite the promising performance, the AI system exhibited some limitations, particularly in underestimating enamel caries compared to radiologist evaluations. The confusion matrix analysis revealed a tendency for the model to overpredict caries in healthy teeth, resulting in a moderate precision score of 0.77. However, the high recall (0.96) and specificity (0.93-0.94) suggest that the model is effective in identifying most carious lesions. Overall, while the AI system demonstrates significant potential to assist in clinical decision-making, it is not yet ready to function as a standalone diagnostic tool, emphasizing the need for further refinement and validation in clinical settings.