DOI: https://doi.org/10.1007/s00784-026-06868-x
PMID: https://pubmed.ncbi.nlm.nih.gov/42020627
تاريخ النشر: 2026-04-23
المؤلف: Yunus Emre Çakmak وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه الدراسة سير عمل عميق التعلم من مرحلتين مصمم لتحديد موقع الأضراس الثانية السفلية وتصنيف وجود قنوات على شكل C في الأشعة السينية البانورامية بشكل تلقائي. باستخدام مجموعة بيانات تتكون من 1,252 صورة شعاعية، استخدمت المرحلة الأولى نموذج YOLOv8 لاكتشاف الأسنان، بينما استخدمت المرحلة الثانية ثلاثة شبكات عصبية تلافيفية (CNNs)—DenseNet-169 و EfficientNet-B6 و ConvNeXt-Base—بالإضافة إلى طرق التجميع لتصنيف قنوات على شكل C من المناطق المكتشفة. شملت مقاييس الأداء تقاطع على اتحاد (IoU)، ومتوسط دقة متوسط (mAP)، والدقة، والحساسية، والنوعية، ودرجة F1، ومساحة تحت المنحنى (AUC)، مع إجراء مقارنات إحصائية باستخدام اختبار DeLong.
أشارت النتائج إلى أن YOLOv8 حددت الأسنان بشكل فعال، مما يوفر مدخلات موثوقة للمصنفات. من بين الشبكات العصبية التلافيفية، أظهرت ConvNeXt-Base أعلى دقة ودرجة F1، بينما أدت مجموعة ثنائية من EfficientNet وConvNeXt أداءً مماثلاً لأفضل نموذج فردي. ومن الجدير بالذكر أن تحليل DeLong كشف عن ميزة إحصائية مهمة لـ ConvNeXt-Base على DenseNet-169 للأسنان رقم 47. يتم وضع نظام الذكاء الاصطناعي المطور كأداة فحص عملية يمكن أن تعزز تخطيط العلاج من خلال تحديد المرضى ذوي المخاطر العالية وتقليل الإحالات غير الضرورية للتصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). ومع ذلك، هناك حاجة إلى مزيد من التحقق متعدد المراكز قبل التنفيذ السريري.
مقدمة
تستعرض مقدمة هذه الورقة البحثية التعقيدات والتحديات المرتبطة بعلاج جذور الأسنان، مع التركيز بشكل خاص على التباينات التشريحية لأنظمة قنوات الجذر، مثل القنوات على شكل C. هذه القنوات، الناتجة عن عدم اكتمال اندماج غلاف الجذر الظهاري لهيرتوغ، تظهر تباينات كبيرة في الانتشار عبر مجموعات سكانية مختلفة، حيث تتراوح النسب من 2.7% إلى 52% في مجموعات آسيوية متنوعة. وجود القنوات على شكل C يعقد إجراءات العلاج، مما يزيد من خطر المضاعفات ومعدلات الفشل، التي يمكن أن تصل إلى 23.8% في بعض الحالات. الأشعة السينية التقليدية ثنائية الأبعاد غير كافية لاكتشاف هذه الأشكال المعقدة بسبب التداخل والتراكب، مما يستدعي استكشاف طرق تشخيصية بديلة.
تسلط الورقة الضوء على إمكانيات الذكاء الاصطناعي (AI) والتعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، في تعزيز اكتشاف القنوات على شكل C من الأشعة السينية البانورامية. أظهرت الدراسات السابقة دقة عالية في اكتشاف هذه القنوات باستخدام نماذج التعلم العميق، ومع ذلك تتطلب العديد من الأساليب الحالية تحديد الموقع يدويًا أو تصنيفًا من مرحلة واحدة. تقترح هذه الدراسة نظام تعلم عميق جديد من مرحلتين يقوم أولاً بتحديد موقع الأضراس الثانية السفلية باستخدام خوارزمية YOLOv8 ثم يصنف شكل قنوات C من خلال مجموعة متنوعة من الهياكل المتقدمة للشبكات العصبية التلافيفية، بما في ذلك DenseNet-169 و EfficientNet-B6 و ConvNeXt، جنبًا إلى جنب مع تركيباتها التجميعية. الهدف هو تحقيق اكتشاف موثوق لشكل قنوات C دون تدخل يدوي، مما يحسن النتائج السريرية ويعزز أنظمة دعم القرار في ممارسة طب الأسنان.
طرق البحث
تستعرض قسم “الطرق” المواد والإجراءات المستخدمة في البحث. يوضح الأدوات والتقنيات والتصاميم التجريبية المحددة المستخدمة لجمع البيانات واختبار الفرضيات. هذا القسم حاسم لضمان إمكانية إعادة إنتاج البحث وشفافيته، مما يسمح للعلماء الآخرين بتكرار الدراسة أو البناء على نتائجها.
تشمل المكونات الرئيسية عادةً أوصافًا للسكان المدروسين، وطرق أخذ العينات، وأي تحليلات إحصائية تم إجراؤها. بالإضافة إلى ذلك، قد يحدد القسم المواد المستخدمة، مثل الكواشف والمعدات أو البرمجيات، والبروتوكولات المتبعة أثناء التجارب. بشكل عام، يعمل هذا القسم كعنصر أساسي في البحث، موفرًا السياق الضروري لفهم النتائج والاستنتاجات المستخلصة في الأقسام اللاحقة.
النتائج
في قسم النتائج، تقيم الدراسة أداء نموذج YOLO لاكتشاف الأسنان ومرحلة تصنيف CNN اللاحقة. نجح نموذج YOLOv8 في اكتشاف 369 من أصل 373 سنًا مستهدفًا، محققًا معدل نجاح اكتشاف قدره 98.93%، مع تصنيف أربع حالات فقط كفشل في الاكتشاف. تم تسجيل الحالات ذات التوقعات غير المؤكدة من CNN، المحددة بواسطة درجة ثقة حوالي 0.5، بشكل منفصل، وتم تطبيق عتبة تصنيف ثنائية قدرها 0.5 لتصنيف هذه النتائج. شمل التحليل تمثيلات بصرية للأسنان المكتشفة واحتمالاتها المقابلة.
بالنسبة لمرحلة التصنيف، تم إجراء تصنيف قائم على CNN على 369 عينة سن صالحة، مما كشف أن نموذج ConvNeXt حقق أعلى مقاييس الأداء: 97.02% دقة، 96.08% حساسية، و 96.39% درجة F1، مع ستة حالات سلبية خاطئة وخمس حالات إيجابية خاطئة فقط. احتلت مجموعة EfficientNet-ConvNeXt المرتبة الثانية، تليها عن كثب بدقة 96.21% وحساسية 95.42%، بينما أظهرت مجموعة ثالثة أداءً متوازنًا بدقة 95.93%. أظهرت تكوينات أخرى، بما في ذلك DenseNet-169 ومجموعاتها، حساسية ودقة أقل، حيث كان أداء DenseNet-169 بمفرده الأقل فعالية. كانت التحديد التجريبي لنسب أوزان المجموعة تهدف إلى ضمان مساهمات متوازنة من كل نموذج، على الرغم من أن التكوينات البديلة لم تحقق تحسينات كبيرة في الأداء.
المناقشة
قدمت الدراسة تقييمًا دقيقًا للتشخيص بأثر رجعي من مركز واحد يهدف إلى اكتشاف شكل قنوات الجذر على شكل C في الأضراس الثانية السفلية باستخدام خط أنابيب ذكاء اصطناعي (AI) من مرحلتين. التزمت البحث بالمعايير الأخلاقية واستخدمت مجموعة بيانات تتكون من 1,252 صورة شعاعية بانورامية، مع التركيز على سكان من منطقة الشرق الأوسط/المتوسط. أنشأت الدراسة معيارًا مرجعيًا باستخدام التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT) للتحقق من وجود قنوات على شكل C، مع معالجة قيود الأشعة السينية البانورامية في تصوير تشريح قنوات الجذر المعقدة بدقة.
تكون نظام الذكاء الاصطناعي من مرحلتين من وحدة تعتمد على YOLOv8 لاكتشاف الأسنان تلقائيًا وشبكة عصبية تلافيفية (CNN) لتصنيف قنوات على شكل C. حقق نموذج YOLOv8 دقة عالية في تحديد موقع الأضراس الثانية السفلية، بينما أظهرت مجموعة CNN أداءً استثنائيًا، بدقة 99.4% وحساسية 100% على مجموعة اختبار موحدة. تؤكد النتائج على أهمية الاكتشاف المبكر لشكل قنوات الجذر على شكل C لتخطيط العلاج الفعال، مما يبرز إمكانيات الذكاء الاصطناعي في تعزيز دقة التشخيص في الأشعة السينية السنية. تشير نتائج الدراسة إلى أن نظام الذكاء الاصطناعي المطور يمكن أن يحسن بشكل كبير النتائج السريرية من خلال تسهيل تحديد أنظمة القنوات المعقدة التي غالبًا ما يتم تجاهلها في التصوير التقليدي.
DOI: https://doi.org/10.1007/s00784-026-06868-x
PMID: https://pubmed.ncbi.nlm.nih.gov/42020627
Publication Date: 2026-04-23
Author(s): Yunus Emre Çakmak et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study presents a two-stage deep-learning workflow designed to automatically localize mandibular second molars and classify the presence of C-shaped canals in panoramic radiographs. Utilizing a dataset of 1,252 radiographs, the first stage employed the YOLOv8 model for tooth detection, while the second stage utilized three convolutional neural networks (CNNs)—DenseNet-169, EfficientNet-B6, and ConvNeXt-Base—along with ensemble methods to classify C-shaped canals from the detected regions. The performance metrics included Intersection over Union (IoU), mean Average Precision (mAP), accuracy, sensitivity, specificity, F1-score, and Area Under the Curve (AUC), with statistical comparisons conducted using the DeLong test.
The results indicated that YOLOv8 effectively localized the teeth, providing reliable inputs for the classifiers. Among the CNNs, ConvNeXt-Base exhibited the highest accuracy and F1-score, while a binary ensemble of EfficientNet and ConvNeXt performed similarly to the best individual model. Notably, the DeLong analysis revealed a statistically significant advantage of ConvNeXt-Base over DenseNet-169 for tooth #47. The developed AI system is positioned as a practical screening tool that could enhance treatment planning by identifying high-risk patients and reducing unnecessary cone-beam computed tomography (CBCT) referrals. However, further multicenter validation is necessary before clinical implementation.
Introduction
The introduction of this research paper outlines the complexities and challenges associated with endodontic treatment, particularly focusing on the anatomical variations of root canal systems, such as C-shaped canals. These canals, resulting from incomplete fusion of Hertwig’s epithelial root sheath, exhibit significant prevalence variations across different populations, with rates ranging from 2.7% to 52% in various Asian groups. The presence of C-shaped canals complicates treatment procedures, increasing the risk of complications and failure rates, which can reach up to 23.8% in certain cases. Traditional 2D radiographs are inadequate for detecting these complex morphologies due to superimposition and overlap, necessitating the exploration of alternative diagnostic methods.
The paper highlights the potential of artificial intelligence (AI) and deep learning, particularly convolutional neural networks (CNNs), in enhancing the detection of C-shaped canals from panoramic radiographs. Previous studies have demonstrated high accuracy in detecting these canals using deep learning models, yet many existing approaches require manual localization or single-stage classification. This study proposes a novel 2-stage deep learning system that first localizes mandibular second molars using the YOLOv8 algorithm and subsequently classifies C-shaped canal morphology through various advanced CNN architectures, including DenseNet-169, EfficientNet-B6, and ConvNeXt, along with their ensemble combinations. The aim is to achieve reliable detection of C-canal morphology without manual intervention, thereby improving clinical outcomes and integrating decision-support systems into dental practice.
Methods
The “Methods” section outlines the materials and procedures employed in the research. It details the specific tools, techniques, and experimental designs utilized to gather data and test hypotheses. The section is crucial for ensuring reproducibility and transparency in the research process, allowing other scholars to replicate the study or build upon its findings.
Key components typically include descriptions of the study population, sampling methods, and any statistical analyses performed. Additionally, the section may specify the materials used, such as reagents, equipment, or software, and the protocols followed during experimentation. Overall, this section serves as a foundational element of the research, providing the necessary context for understanding the results and conclusions drawn in subsequent sections.
Results
In the results section, the study evaluates the performance of a YOLO model for detecting teeth and a subsequent CNN classification stage. The YOLOv8 model successfully detected 369 out of 373 target teeth, yielding a detection success rate of 98.93%, with only four instances classified as detection failures. Cases with uncertain predictions from the CNN, defined by a confidence score around 0.5, were recorded separately, and a binary classification threshold of 0.5 was applied to categorize these results. The analysis included visual representations of detected teeth and their corresponding probabilities.
For the classification stage, CNN-based classification was conducted on the 369 valid tooth crops, revealing that the ConvNeXt model achieved the highest performance metrics: 97.02% accuracy, 96.08% sensitivity, and a 96.39% F1-score, with only six false negatives and five false positives. The EfficientNet-ConvNeXt ensemble ranked second, closely following with 96.21% accuracy and 95.42% sensitivity, while a tertiary ensemble demonstrated balanced performance with 95.93% accuracy. Other configurations, including DenseNet-169 and its ensembles, showed lower sensitivity and accuracy, with DenseNet-169 alone performing the least effectively. The empirical determination of ensemble weight ratios aimed to ensure balanced contributions from each model, although alternative configurations did not yield significant performance enhancements.
Discussion
The study presented a retrospective, single-center diagnostic accuracy evaluation aimed at detecting C-shaped canal morphology in mandibular second molars using a two-stage artificial intelligence (AI) pipeline. The research adhered to ethical standards and utilized a dataset of 1,252 panoramic radiographs, with a focus on a Middle Eastern/Mediterranean population. The study established a reference standard using cone-beam computed tomography (CBCT) to validate the presence of C-shaped canals, addressing the limitations of panoramic radiographs in accurately depicting complex root canal anatomies.
The two-stage AI system comprised a YOLOv8-based module for automatic tooth detection and a convolutional neural network (CNN) for C-shaped canal classification. The YOLOv8 model achieved high accuracy in localizing mandibular second molars, while the ensemble CNN demonstrated exceptional performance, with an accuracy of 99.4% and sensitivity of 100% on a standardized test set. The findings underscore the importance of early detection of C-shaped canal morphology for effective endodontic treatment planning, highlighting the potential of AI in enhancing diagnostic accuracy in dental radiography. The study’s results suggest that the developed AI system could significantly improve clinical outcomes by facilitating the identification of complex canal systems that are often overlooked in traditional imaging.