DOI: https://doi.org/10.5051/jpis.2302880144
PMID: https://pubmed.ncbi.nlm.nih.gov/38725425
تاريخ النشر: 2024-01-01
المؤلف: Jae‐Hong Lee وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تستكشف هذه الدراسة التجريبية الأولية استخدام التعلم العميق (DL) لتقييم جودة العظام في مواقع زراعة الأسنان من خلال الأشعة السينية البانورامية (PA)، مقارنةً بفعاليته مع إحساس الجراح اللمسي وقياسات التصوير المقطعي المحوسب باستخدام شعاع مخروط (CBCT). تم تحليل ما مجموعه 2,270 صورة PA، وتم تصنيف جودة العظام إلى أربعة مستويات (D1 إلى D4) باستخدام بنية ResNet-50 المعدلة. وجدت الدراسة أن DL حقق منطقة تحت منحنى خصائص التشغيل المستقبلية قدرها 0.762، مما يدل على أداء تصنيف قوي.
تمت ملاحظة ارتباطات إيجابية كبيرة بين تصنيف DL وكلا من قيم CBCT (r = 0.702) وتقييمات الجراح اللمسية (r = 0.658)، وكلاهما بقيم P أقل من 0.001. تشير هذه النتائج إلى أن DL يمكنه تصنيف جودة العظام بشكل موثوق في مواقع زراعة الأسنان، مما يتماشى بشكل جيد مع الطرق المعتمدة. يؤكد المؤلفون على الحاجة إلى مزيد من البحث باستخدام مجموعات بيانات كمية عالية الجودة لتعزيز موثوقية وقابلية تطبيق هذا النهج في DL في السياقات السريرية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاعتماد المتزايد على زراعة الأسنان لاستعادة المرضى الذين يعانون من فقدان جزئي أو كامل للأسنان، مشيرةً إلى معدل البقاء التراكمي العالي لمدة 10 سنوات الذي يتجاوز 95%. على الرغم من هذا النجاح، فإن هناك عوامل خطر بيولوجية وتشريحية وتقنية متنوعة، وخاصةً جودة العظام وكثافتها الضعيفة في موقع الزرع، تشكل تحديات كبيرة لتحقيق الاستقرار الأولي والاندماج العظمي الناجح. لذا فإن تقييم جودة العظام قبل جراحة الزرع أمر بالغ الأهمية، مع استخدام عدة تقنيات تصوير، بما في ذلك الأشعة البانورامية (PA) والتصوير المقطعي المحوسب باستخدام شعاع مخروط (CBCT). بينما يُعترف بأن التصوير المقطعي متعدد الكواشف (MDCT) موثوق في قياس جودة العظام من خلال وحدات هونسفيلد (HU)، فقد اكتسب CBCT شعبية بسبب مزاياه في التعرض للإشعاع والتكلفة، على الرغم من أن تفسير جودة العظام من CBCT لا يزال غامضًا.
تناقش المقدمة أيضًا الدور الواعد للذكاء الاصطناعي (AI) والتعلم العميق (DL) في التصوير الطبي، حيث تجاوزت قدراتهما البشرية في مهام تشخيصية متنوعة. في طب الأسنان، أظهرت تطبيقات الذكاء الاصطناعي إمكانات في تشخيص وتصنيف الحالات السنية، بما في ذلك تقييم أنظمة الزرع وكسور التركيبات. ومع ذلك، هناك فجوة ملحوظة في البحث بشأن استخدام DL لتقييم جودة العظام من صور PA. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال مقارنة فعالية DL في تقييم جودة العظام من صور PA مقابل التقييمات اللمسية لجراحي الزرع والقياسات المستمدة من CBCT.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصل في المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، والضوابط، والمتغيرات التي تم أخذها في الاعتبار، مما يوفر وضوحًا حول كيفية معالجة أسئلة البحث. يضمن هذا النهج الدقيق أن تكون النتائج موثوقة ويمكن التحقق منها من خلال دراسات مستقبلية. بشكل عام، تعتبر الطرق المستخدمة ضرورية لفهم السياق والآثار الناتجة عن نتائج البحث.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول آثار النتائج. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم أهداف البحث والاستنتاجات المستخلصة في الدراسة.
المناقشة
في هذه الدراسة، بحث المؤلفون استخدام التعلم العميق (DL) لتقييم جودة العظام في مواقع الزرع، باستخدام صور الأشعة السينية المحيطية (PA) والتصوير المقطعي المحوسب باستخدام شعاع مخروط (CBCT). تمت الموافقة على الدراسة أخلاقيًا، وتم تحليل مجموعة بيانات تضم 2,275 منطقة خالية من الأسنان من 1,051 مريضًا، مع تصنيف جودة العظام باستخدام نظام ليكهولم وزارب. أظهر نموذج DL، المستند إلى بنية ResNet-50 المعدلة، دقة تصنيف تبلغ 76.2%، مع ارتباطات كبيرة بين تصنيفات DL، وقيم CBCT، وإحساس اللمس لجراح ذو خبرة. ومن الجدير بالذكر أن أعلى ارتباط لوحظ لجودة العظام D4، مما يشير إلى إمكانية استخدام النموذج في اتخاذ القرارات السريرية.
تسلط النتائج الضوء على قيود التقييمات التقليدية الذاتية لجودة العظام، مما يبرز الحاجة إلى مقاييس موضوعية في تخطيط جراحة الزرع. بينما تقدم الدراسة نتائج واعدة لتطبيقات DL في تقييم جودة العظام، فإنها تعترف بالقيود الكامنة، مثل ذاتية تصنيفات التدرج الرمادي في CBCT وحجم العينة الصغيرة لبعض فئات جودة العظام. يُوصى بإجراء أبحاث مستقبلية لتحسين جودة مجموعة البيانات واستكشاف القدرات التنبؤية لـ DL في توقع نتائج الاندماج العظمي للزرع. بشكل عام، تقترح الدراسة أن تقنيات DL يمكن أن تحسن بشكل كبير من موضوعية ودقة تقييمات جودة العظام في الممارسة السريرية.
DOI: https://doi.org/10.5051/jpis.2302880144
PMID: https://pubmed.ncbi.nlm.nih.gov/38725425
Publication Date: 2024-01-01
Author(s): Jae‐Hong Lee et al.
Primary Topic: Dental Radiography and Imaging
Overview
This preliminary pilot study investigates the use of deep learning (DL) for assessing bone quality in dental implant sites through panoramic (PA) radiographs, comparing its effectiveness to an implant surgeon’s tactile sense and cone-beam computed tomography (CBCT) measurements. A total of 2,270 PA images were analyzed, with bone quality classified into four levels (D1 to D4) using a fine-tuned ResNet-50 architecture. The study found that DL achieved an area under the receiver operating characteristic curve of 0.762, indicating a robust classification performance.
Significant positive correlations were observed between the DL classification and both CBCT values (Spearman’s r = 0.702) and the surgeon’s tactile assessments (Spearman’s r = 0.658), both with P-values less than 0.001. These findings suggest that DL can reliably classify bone quality in dental implant sites, aligning well with established methods. The authors emphasize the need for further research utilizing high-quality quantitative datasets to enhance the reliability and clinical applicability of this DL approach.
Introduction
The introduction of this research paper highlights the increasing reliance on dental implants for restoring partially and fully edentulous patients, noting a high 10-year cumulative survival rate exceeding 95%. Despite this success, various biological, anatomical, and technical risk factors, particularly poor bone quality and density at the implant site, pose significant challenges to achieving primary stability and successful osseointegration. The assessment of bone quality prior to implant surgery is thus crucial, with several imaging techniques, including panoramic (PA) and cone beam computed tomography (CBCT), being utilized. While multi-detector CT (MDCT) is recognized for its reliability in measuring bone quality through Hounsfield units (HU), CBCT has gained popularity due to its advantages in radiation exposure and cost, although the interpretation of bone quality from CBCT remains ambiguous.
The introduction further discusses the promising role of artificial intelligence (AI) and deep learning (DL) in medical imaging, where it has surpassed human capabilities in various diagnostic tasks. In dentistry, AI applications have shown potential in diagnosing and classifying dental conditions, including the assessment of implant systems and fixture fractures. However, there is a notable gap in research regarding the use of DL for evaluating bone quality from PA images. This study aims to fill this gap by comparing the effectiveness of DL in assessing bone quality from PA images against the tactile assessments of implant surgeons and the measurements obtained from CBCT.
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 for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental setup, controls, and variables considered, providing clarity on how the research questions were addressed. This rigorous approach ensures that findings are reliable and can be validated by future studies. Overall, the methods employed are crucial for understanding the context and implications of the research outcomes.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to substantiate their claims. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, this section serves to convey the empirical evidence that supports the research objectives and conclusions drawn in the study.
Discussion
In this study, the authors investigated the use of deep learning (DL) for assessing bone quality at implant sites, utilizing periapical (PA) and cone-beam computed tomography (CBCT) images. The study was ethically approved, and a dataset of 2,275 edentulous regions from 1,051 patients was analyzed, with bone quality classified using the Lekholm and Zarb system. The DL model, based on a fine-tuned ResNet-50 architecture, demonstrated a classification accuracy of 76.2%, with significant correlations between DL classifications, CBCT values, and the tactile sense of an experienced surgeon. Notably, the highest correlation was observed for D4 bone quality, indicating the model’s potential utility in clinical decision-making.
The findings highlight the limitations of traditional subjective assessments of bone quality, emphasizing the need for objective measures in implant surgery planning. While the study presents promising results for DL applications in bone quality evaluation, it acknowledges inherent limitations, such as the subjectivity of grayscale classifications in CBCT and the small sample size of certain bone quality categories. Future research is recommended to enhance dataset quality and explore the prognostic capabilities of DL in predicting implant osseointegration outcomes. Overall, the study suggests that DL techniques could significantly improve the objectivity and precision of bone quality assessments in clinical practice.