DOI: https://doi.org/10.1038/s41598-025-07477-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40594587
تاريخ النشر: 2025-07-02
المؤلف: Shuxi Xu وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تبحث الدراسة في امتصاص الجذر الخارجي الناتج عن تقويم الأسنان (OIERR)، وهو خطر شائع في علاج تقويم الأسنان، وتسعى لتعزيز تشخيصه من خلال نموذج كشف ذكي يستخدم الشبكات العصبية التلافيفية العميقة (CNNs) المطبقة على صور الأشعة المقطعية المخروطية (CBCT). تعيق طرق التشخيص التقليدية التقييمات الذاتية وتحديات القياس اليدوي. لمعالجة ذلك، استخدمت الدراسة ستة هياكل CNN مدربة مسبقًا، حيث تم التدريب على 1717 شريحة CBCT والتحقق من صحة النماذج على 429 شريحة. برز نموذج EfficientNet-B1 كالأكثر فعالية، محققًا دقة تبلغ 0.97، ودقة إيجابية تبلغ 0.98، وحساسية تبلغ 0.97، وخصوصية تبلغ 0.98، ودرجة F1 تبلغ 0.98، متجاوزًا بشكل كبير أداء أطباء تقويم الأسنان، الذين كانت مقاييسهم 0.86 للدقة، و0.78 للاسترجاع، و0.87 لدرجة F1 (P < 0.01). تم توضيح عملية اتخاذ القرار للنموذج بشكل أكبر من خلال خرائط الحرارة، مما يشير إلى الاعتماد على ميزات الجذر لاكتشاف OIERR. تشير النتائج إلى أن الكشف التلقائي عن OIERR عبر CNNs وصور CBCT ليس دقيقًا فحسب، بل فعال أيضًا، مما يضع هذه الطريقة كأداة سريرية واعدة للفحص السريع والتشخيص لـ OIERR، وبالتالي تعزيز رعاية تقويم الأسنان.
طرق
اتبعت الدراسة الإرشادات الأخلاقية الموضحة في إعلان هلسنكي وحصلت على موافقة من لجنة الأخلاقيات في المستشفى التابع لكلية طب الأسنان بجامعة تشونغكينغ الطبية، الصين (رقم المرجع: CQHS-REC-2023 (LSNo. 039)). نظرًا للطبيعة الاسترجاعية للبحث والمخاطر المنخفضة المعنية، تنازلت لجنة الأخلاقيات عن متطلبات الحصول على موافقة مستنيرة من المشاركين. يبرز هذا النهج المنهجي الاعتبارات الأخلاقية التي تم أخذها في الاعتبار مع ضمان نزاهة عملية البحث.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يبرز النتائج المهمة التي تم ملاحظتها، بما في ذلك أي تحليلات إحصائية تم إجراؤها للتحقق من النتائج. قد يتضمن القسم أيضًا تمثيلات رسومية، مثل المخططات أو الجداول، لتوضيح البيانات بوضوح وفعالية.
تتم مناقشة النتائج في سياق الأسئلة البحثية المطروحة، مما يظهر كيف تساهم في الجسم المعرفي القائم. من المحتمل أن يتم الإبلاغ عن مقاييس محددة، مثل قيم p أو فترات الثقة، لدعم الاستنتاجات المستخلصة من البيانات. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على النتائج، مع التأكيد على أهميتها وآثارها على الأبحاث المستقبلية.
مناقشة
في هذه الدراسة، تم إجراء مراجعة استرجاعية لتطوير نموذج شبكة عصبية تلافيفية (CNN) للكشف التلقائي عن امتصاص الجذر الخارجي الناتج عن تقويم الأسنان (OIERR) باستخدام صور الأشعة المقطعية المخروطية (CBCT). تتكون مجموعة البيانات من 2,146 شريحة CBCT من 400 مريض، مع التركيز على الأسنان الأمامية، وتمت معالجة البيانات مسبقًا لتحسين جودة الصورة ومنع الإفراط في التكيف. تم تقييم ستة هياكل CNN مدربة مسبقًا، حيث برز نموذج EfficientNet-B1 كنموذج مثالي، محققًا دقة تبلغ 0.97، ودقة إيجابية تبلغ 0.98، واسترجاعًا يبلغ 0.97، وخصوصية تبلغ 0.98، ودرجة F1 تبلغ 0.98، ومنطقة تحت المنحنى (AUC) تبلغ 0.994. تجاوز هذا الأداء أداء طبيبين من أطباء تقويم الأسنان، مما يشير إلى إمكانية النموذج في التشخيص الموضوعي وفي الوقت المناسب لـ OIERR.
تشير النتائج إلى أن نموذج CNN يمكن أن يقلل بشكل فعال من خطر التشخيصات المفقودة مقارنة بالطرق التقليدية، التي غالبًا ما تتأثر بالحكم الذاتي والخبرة. تبرز الدراسة أهمية هيكل النموذج وطرق التدريب في تحقيق أداء عالٍ، حيث أثبت هيكل EfficientNet-B1 الأبسط أنه مفيد لمهمة التصنيف الثنائي لاكتشاف OIERR. بالإضافة إلى ذلك، أظهر استخدام Grad-CAM لتفسير القرار أن النموذج يركز على المناطق الجذرية ذات الصلة، مما يتماشى مع التوقعات السريرية. على الرغم من بعض القيود، بما في ذلك تكوين مجموعة البيانات والحاجة إلى تحقق أوسع، تشير النتائج إلى أن CNNs يمكن أن تكون أدوات قيمة في ممارسة تقويم الأسنان للفحص السريع والتشخيص لـ OIERR.
DOI: https://doi.org/10.1038/s41598-025-07477-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40594587
Publication Date: 2025-07-02
Author(s): Shuxi Xu et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research investigates orthodontically-induced external root resorption (OIERR), a prevalent risk in orthodontic treatment, and seeks to enhance its diagnosis through an intelligent detection model utilizing deep convolutional neural networks (CNNs) applied to cone-beam computed tomography (CBCT) images. Traditional diagnostic methods are hindered by subjective assessments and manual measurement challenges. To address this, the study employed six pretrained CNN architectures, training on 1717 CBCT slices and validating the models on 429 slices. The EfficientNet-B1 model emerged as the most effective, achieving an accuracy of 0.97, precision of 0.98, sensitivity of 0.97, specificity of 0.98, and an F1-score of 0.98, significantly surpassing the performance of orthodontists, whose metrics were 0.86 for accuracy, 0.78 for recall, and 0.87 for F1-score (P < 0.01). The model's decision-making process was further elucidated through heatmaps, indicating a reliance on root features for OIERR detection. The findings suggest that automatic detection of OIERR via CNNs and CBCT images is not only accurate but also efficient, positioning this method as a promising clinical tool for rapid screening and diagnosis of OIERR, thereby enhancing orthodontic care.
Methods
The study adhered to the ethical guidelines outlined in the Declaration of Helsinki and received approval from the Ethics Committee of the Affiliated Hospital of Stomatology of Chongqing Medical University, China (reference number: CQHS-REC-2023 (LSNo. 039)). Due to the retrospective nature of the research and the minimal risk involved, the Ethics Committee waived the requirement for informed consent from participants. This methodological approach underscores the ethical considerations taken into account while ensuring the integrity of the research process.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that were observed, including any statistical analyses performed to validate the results. The section may also include graphical representations, such as charts or tables, to illustrate the data clearly and effectively.
The findings are discussed in the context of the research questions posed, demonstrating how they contribute to the existing body of knowledge. Specific metrics, such as p-values or confidence intervals, are likely reported to substantiate the conclusions drawn from the data. Overall, this section serves to provide a comprehensive overview of the results, emphasizing their relevance and implications for future research.
Discussion
In this study, a retrospective review was conducted to develop a convolutional neural network (CNN) model for the automatic detection of orthodontic-induced external root resorption (OIERR) using cone-beam computed tomography (CBCT) images. The dataset comprised 2,146 CBCT slices from 400 patients, with a focus on anterior teeth, and was pre-processed to enhance image quality and prevent overfitting. Six pre-trained CNN architectures were evaluated, with EfficientNet-B1 emerging as the optimal model, achieving an accuracy of 0.97, precision of 0.98, recall of 0.97, specificity of 0.98, F1-score of 0.98, and an area under the curve (AUC) of 0.994. This performance surpassed that of two orthodontists, indicating the model’s potential for timely and objective diagnosis of OIERR.
The findings suggest that the CNN model can effectively reduce the risk of missed diagnoses compared to traditional methods, which are often influenced by subjective judgment and experience. The study highlights the importance of model architecture and training methods in achieving high performance, with EfficientNet-B1’s simpler structure proving advantageous for the binary classification task of OIERR detection. Additionally, the use of Grad-CAM for decision interpretation demonstrated that the model focuses on relevant root areas, aligning with clinical expectations. Despite some limitations, including the dataset’s composition and the need for broader validation, the results indicate that CNNs could serve as valuable tools in orthodontic practice for rapid screening and diagnosis of OIERR.