DOI: https://doi.org/10.1186/s12903-024-04721-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39152384
تاريخ النشر: 2024-08-16
المؤلف: Sae Byeol Mun وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تدرس الدراسة جدوى استخدام تقنيات التعلم العميق للتنبؤ بمؤشرات استخراج الأسنان المتشققة بناءً على الأشعة السينية البانورامية. تم تحليل ما مجموعه 418 سنًا، تتكون من 209 أسنان طبيعية و209 أسنان متشققة، لتدريب واختبار نموذج التعلم العميق. تم تقييم أداء تشخيص الأسنان المتشققة باستخدام ثلاث هياكل مختلفة: InceptionV3 وResNet50 وEfficientNetB0، مع نهج التحقق المتقاطع بخمسة أضعاف الذي قسم البيانات إلى مجموعات تدريب وتحقق واختبار بنسبة 3:1:1.
أظهرت النتائج مقاييس أداء واعدة لنماذج التعلم العميق، حيث حققت قيم حساسية تتراوح بين 90.43% و94.26%، وخصوصية تتراوح بين 52.63% و60.77%، ودقة تتراوح بين 72.01% و75.84%، ودرجات F1 تتراوح بين 76.36% و79.00%. تشير هذه النتائج إلى أن نماذج التعلم العميق يمكن أن تتنبأ بفعالية بالحاجة إلى استخراج الأسنان المتشققة، مما قد يعزز طرق التشخيص الحالية في ممارسة طب الأسنان.
مقدمة
تناقش مقدمة ورقة البحث أهمية الأسنان المتشققة، التي تتميز بأنها تشوهات بلاستيكية داخل بنية السن لا تتضمن فقدان الأنسجة السنية الصلبة. الكشف المبكر أمر حاسم بسبب الألم المرتبط وفقدان البنية. تطورت تصنيفات الأسنان المتشققة، مع تقديم مصطلحات مثل “متلازمة الأسنان المتشققة” وتصنيفات اتجاهية متنوعة (أفقية، عمودية، مائلة). تحدد الجمعية الأمريكية لطب الأسنان خمسة كيانات رئيسية للتشققات: خطوط تشقق المينا، القمم المكسورة، الأسنان المتشققة، الأسنان المنقسمة، والتشققات العمودية في الجذر (VRF). الطبيعة غير المنتظمة للتشققات تعقد تصنيفها وتشخيصها، وغالبًا ما تتطلب الاستخراج في الحالات الشديدة.
تسلط الورقة الضوء على أساليب العلاج المتنوعة للأسنان المتشققة، والتي يمكن تصنيفها إلى علاجات من مرحلة واحدة وعلاجات متعددة المراحل، وت outlines طرق التشخيص بما في ذلك تاريخ المريض، والفحص السريري، وتقنيات التصوير مثل الأشعة السينية المحيطية والتصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). على الرغم من التقدم في التصوير، لا يزال تشخيص VRF يمثل تحديًا، خاصة عندما لا يكون شعاع الأشعة السينية متماشيًا مع خط التشقق. كما تشير المقدمة إلى التطبيق المتزايد للتعلم العميق في طب الأسنان، حيث استكشفت الدراسات السابقة إمكانياته في التنبؤ بالنتائج المتعلقة بالإجراءات السنية. تهدف هذه الدراسة إلى التحقيق في جدوى استخدام نماذج التعلم العميق المختلفة للتنبؤ بمؤشرات استخراج VRF، مع التركيز بشكل خاص على هذه الفئة الفرعية من الأسنان المتشققة.
طرق
ت outlines قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تضمنت المنهجيات الرئيسية التحليل الإحصائي باستخدام أدوات البرمجيات لتقييم دلالة النتائج، مما يضمن نتائج قوية وقابلة للتكرار.
بالإضافة إلى ذلك، تفصل القسم تقنيات أخذ العينات، بما في ذلك الاختيار العشوائي والتصنيف، لضمان عينة تمثيلية من السكان قيد الدراسة. كما استخدم الباحثون نماذج رياضية متنوعة لتفسير البيانات، مع اهتمام خاص بالافتراضات الأساسية لهذه النماذج. بشكل عام، تم تصميم الطرق لاختبار الفرضيات بدقة وتقديم رؤى موثوقة حول الأسئلة البحثية المطروحة.
نتائج
في هذه الدراسة، تم تقييم أداء نموذج تشخيص الأسنان المتشققة باستخدام ثلاث هياكل: InceptionV3 وResNet50 وEfficientNetB0. تم إجراء التحليل من خلال تحقق متقاطع صارم بخمسة أضعاف لـ 418 حالة بيانات، مقسمة إلى مجموعات تدريب وتحقيق واختبار بنسبة 3:1:1. تم تقييم أداء النموذج باستخدام مصفوفات الارتباك، التي قدمت رؤى حول الدقة والحساسية والخصوصية، وتم تصورها كخرائط حرارية. كشفت التقييمات الكمية عن حساسية تتراوح بين 90.43% و94.26%، وخصوصية من 52.63% إلى 60.77%، ودقة تتراوح بين 72.01% و75.84%، ودرجات F1 من 76.36 إلى 79.00%.
أشارت تحليل منحنى الخصائص التشغيلية (ROC) إلى أن جميع النماذج أظهرت قدرات تشخيصية كبيرة، مع قيم منطقة تحت منحنى ROC (AUC-ROC) تتراوح بين 0.80 و0.82. ومن الجدير بالذكر أن نموذج ResNet50 حقق أعلى قيمة AUC تبلغ 0.82، مما يدل على أدائه المتفوق في تشخيص الأسنان المتشققة مقارنة بالنماذج الأخرى. بالإضافة إلى ذلك، تم تحديد قيم القطع المثلى لكل نموذج باستخدام مؤشر يودن، الذي يعظم مجموع الحساسية والخصوصية. تشير هذه النتائج إلى أن نموذج ResNet50 هو الأكثر موثوقية للتطبيقات السريرية في تشخيص كسور الأسنان الفردية.
مناقشة
في هذه الدراسة، استكشف المؤلفون جدوى اكتشاف التشققات العمودية في الجذر (VRF) في الأسنان المتشققة باستخدام الأشعة السينية البانورامية وتقنيات التعلم العميق. شملت البحث تحليلًا رجعيًا للصور البانورامية من 200 مريض، مع مجموعة بيانات متوازنة من 209 أسنان متشققة و209 أسنان طبيعية. تم تطوير نموذج التعلم العميق باستخدام هياكل متقدمة مثل InceptionV3 وResNet50 وEfficientNetB0، محققًا دقة تتجاوز 72% خلال التحقق المتقاطع. ومن الجدير بالذكر أن النموذج أظهر حساسية عالية (94.26%)، مما يدل على فعاليته في تحديد VRF، على الرغم من أنه أظهر خصوصية أقل، مما أدى إلى احتمال تصنيف خاطئ للأسنان السليمة على أنها متشققة.
تسلط النتائج الضوء على التحديات في تشخيص VRF بسبب قيود التصوير ثنائي الأبعاد، الذي يمكن أن يحجب الطبيعة ثلاثية الأبعاد لهذه التشققات. يؤكد المؤلفون على الحاجة إلى مزيد من تدريب النموذج باستخدام مجموعات بيانات متنوعة ومتعددة المراكز لتعزيز قابليته للتعميم وتطبيقه السريري. بينما تقدم الدراسة نتائج واعدة لاستخدام التعلم العميق في تشخيصات الأسنان، فإنها تعترف أيضًا بضرورة وجود أحجام عينات أكبر ودمج تقنيات التصوير ثلاثي الأبعاد، مثل التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT)، لتحسين دقة التشخيص ونتائج رعاية المرضى.
DOI: https://doi.org/10.1186/s12903-024-04721-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39152384
Publication Date: 2024-08-16
Author(s): Sae Byeol Mun et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study investigates the feasibility of employing deep learning techniques to predict indications for cracked tooth extraction based on panoramic radiography. A total of 418 teeth were analyzed, comprising 209 normal and 209 cracked teeth, to train and test a deep learning model. The performance of the cracked tooth diagnosis was assessed using three different architectures: InceptionV3, ResNet50, and EfficientNetB0, with a fivefold cross-validation approach that partitioned the data into training, validation, and test sets in a 3:1:1 ratio.
The results demonstrated promising performance metrics for the deep learning models, achieving sensitivity values between 90.43% and 94.26%, specificity between 52.63% and 60.77%, accuracy ranging from 72.01% to 75.84%, and F1 scores between 76.36% and 79.00%. These findings indicate that deep learning models can effectively predict the need for cracked tooth extraction, potentially enhancing existing diagnostic methods in dental practice.
Introduction
The introduction of the research paper discusses the significance of cracked teeth, characterized as plastic deformations within the tooth structure that do not involve the loss of hard dental tissue. Early detection is crucial due to the associated pain and structural loss. The classification of cracked teeth has evolved, with terms such as “cracked tooth syndrome” and various directional classifications (horizontal, vertical, oblique) being introduced. The American Association of Endodontics identifies five primary crack entities: enamel craze lines, fractured cusps, cracked teeth, split teeth, and vertical root fractures (VRF). The irregular nature of cracks complicates their classification and diagnosis, often necessitating extraction in severe cases.
The paper highlights the diverse treatment modalities for cracked teeth, which can be categorized into single-stage and multi-stage treatments, and outlines diagnostic methods including patient history, clinical examination, and imaging techniques such as periapical radiographs and cone beam computed tomography (CBCT). Despite advancements in imaging, diagnosing VRF remains challenging, particularly when the X-ray beam is not aligned with the crack line. The introduction also notes the growing application of deep learning in dentistry, with previous studies exploring its potential in predicting outcomes related to dental procedures. This study aims to investigate the feasibility of using various deep learning models to predict the indications for VRF extraction, focusing specifically on this subset of cracked teeth.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Key methodologies included statistical analysis using software tools to evaluate the significance of the results, ensuring robust and reproducible findings.
Additionally, the section details the sampling techniques, including random selection and stratification, to ensure a representative sample of the population under study. The researchers also employed various mathematical models to interpret the data, with specific attention to the assumptions underlying these models. Overall, the methods were designed to rigorously test the hypotheses and provide reliable insights into the research questions posed.
Results
In this study, the performance of a cracked tooth diagnosis model was evaluated using three architectures: InceptionV3, ResNet50, and EfficientNetB0. The analysis was conducted through a rigorous fivefold cross-validation of 418 data instances, divided into training, validation, and test sets in a 3:1:1 ratio. Model performance was assessed using confusion matrices, which provided insights into accuracy, sensitivity, and specificity, visualized as heat maps. The quantitative evaluation revealed sensitivity ranging from 90.43% to 94.26%, specificity from 52.63% to 60.77%, accuracy between 72.01% and 75.84%, and F1 scores from 76.36 to 79.00%.
The Receiver Operating Characteristic (ROC) curve analysis indicated that all models demonstrated significant diagnostic capabilities, with Area Under the ROC Curve (AUC-ROC) values between 0.80 and 0.82. Notably, the ResNet50 model achieved the highest AUC value of 0.82, indicating its superior performance in diagnosing cracked teeth compared to the other models. Additionally, optimal cutoff values for each model were determined using Youden’s Index, which maximizes the sum of sensitivity and specificity. These findings suggest that the ResNet50 model is the most reliable for clinical applications in diagnosing individual tooth fractures.
Discussion
In this study, the authors explored the feasibility of detecting vertical root fractures (VRF) in cracked teeth using panoramic radiographs and deep learning techniques. The research involved a retrospective analysis of panoramic images from 200 patients, with a balanced dataset of 209 cracked and 209 normal teeth. The deep learning model was developed using advanced architectures such as InceptionV3, ResNet50, and EfficientNetB0, achieving an accuracy exceeding 72% during cross-validation. Notably, the model demonstrated high sensitivity (94.26%), indicating its effectiveness in identifying VRF, although it exhibited lower specificity, leading to potential misclassification of healthy teeth as cracked.
The findings highlight the challenges of diagnosing VRF due to the limitations of two-dimensional imaging, which can obscure the three-dimensional nature of these fractures. The authors emphasize the need for further training of the model with diverse, multi-center datasets to enhance its generalizability and clinical applicability. While the study presents promising results for the use of deep learning in dental diagnostics, it also acknowledges the necessity for larger sample sizes and the integration of three-dimensional imaging techniques, such as cone-beam computed tomography (CBCT), to improve diagnostic accuracy and patient care outcomes.