DOI: https://doi.org/10.1186/s12903-024-04254-1
PMID: https://pubmed.ncbi.nlm.nih.gov/38735954
تاريخ النشر: 2024-05-12
المؤلف: Yanshan Xiong وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه الدراسة ToothNet، وهو نموذج تعلم عميق مصمم للكشف المتزامن عن تسوس الأسنان ومواد سد الفجوات في الصور الفموية. تم وضع مجموعة بيانات تتكون من 1020 صورة من 762 متطوعًا، وتمت التوضيحات بواسطة اثنين من أطباء الأسنان المتخصصين، وتم تطوير ToothNet عن طريق تعديل إطار عمل YOLOX. تم تقييم أداء النموذج باستخدام المساحة تحت المنحنى (AUC) من تحليل خصائص التشغيل المستقبلي (ROC) وتحليل ROC للاستجابة الحرة (FROC)، مع التركيز على دقة التصنيف (على مستوى الصورة) ودقة التحديد (على مستوى السن).
أشارت النتائج إلى أن ToothNet حقق AUC قدره 0.925 للكشف عن التسوس و0.902 للكشف عن مواد السد عند مستوى الصورة. على مستوى السن، أظهر النموذج حساسية قدرها 0.807 ودرجة F1 قدرها 0.810 للتسوس، بينما كانت الحساسية لمواد سد الفجوات 0.714 مع درجة F1 قدرها 0.731. بالمقارنة، أظهر طبيب أسنان ذو خبرة سنة واحدة أداءً أقل في مقاييس الأداء في الكشف عن التسوس (درجة F1 قدرها 0.599، p < 0.0001) وAUC مشابه للكشف عن مواد السد (0.829، p = 0.154). تشير النتائج إلى أن ToothNet فعال في الكشف متعدد المهام في الصور السنية، متفوقًا على أطباء الأسنان المبتدئين في الكشف عن التسوس بينما كان أداءه مشابهًا في الكشف عن مواد السد. ستركز الأعمال المستقبلية على توسيع مجموعة البيانات لتعزيز أداء النموذج في سيناريوهات سريرية متنوعة.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية الهامة للصحة العامة المتعلقة بتسوس الأسنان، الذي يؤثر على نسبة كبيرة من الأطفال في سن المدرسة والبالغين في الدول الصناعية. تسلط الضوء على فعالية سد الفجوات كإجراء وقائي والتحديات التي تطرحها الموارد الطبية غير الكافية، خاصة في المناطق النائية. يؤكد المؤلفون على إمكانيات الطب عن بُعد والتقدم في الذكاء الاصطناعي، وتحديدًا تقنيات التعلم العميق (DL) باستخدام الشبكات العصبية التلافيفية (CNNs)، في تعزيز الكشف عن التسوس من خلال طرق التصوير المختلفة.
على الرغم من القدرات الواعدة للنماذج الحالية للتعلم العميق في تحليل الأشعة السنية وتقنيات التصوير الأخرى، يشير المؤلفون إلى أن هذه الطرق غالبًا ما تتطلب معدات متخصصة ومحترفين مدربين، مما يحد من قابليتها للتطبيق في الطب عن بُعد. لمعالجة هذه الفجوة، تقدم الدراسة ToothNet، وهو نموذج كشف ذكي قائم على التعلم العميق مصمم للتعرف المتزامن على التسوس ومواد سد الفجوات من الصور الفموية. يهدف المؤلفون إلى تقييم أداء ToothNet مقارنة بأداء أطباء الأسنان، مفترضين أن دقة النموذج التشخيصية ستكون قابلة للمقارنة، مما يسهل الوصول الأوسع إلى الرعاية السنية من خلال الاستخدام غير المهني في السيناريوهات اليومية.
طرق البحث
تحدد قسم “طرق البحث” في الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج المعنية.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، وتطبيق تقنيات مثل تحليل الانحدار واختبار الفرضيات لاستخلاص استنتاجات ذات مغزى من البيانات. يبرز القسم أهمية القابلية للتكرار والشفافية في عملية البحث، موضحًا الخطوات المتخذة للتخفيف من التحيز وتعزيز قوة النتائج.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات المنفذة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، 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 قيد التحقيق، حيث تتماشى النتائج الملاحظة عن كثب مع الفرضيات المقترحة.
علاوة على ذلك، توضح التمثيلات الرسومية للبيانات العلاقات بين المتغيرات، مما يبرز فعالية التصميم التجريبي. تسهم النتائج في الجسم المعرفي الحالي من خلال تقديم أدلة تجريبية تدعم الإطار النظري الذي تم تأسيسه في الأقسام السابقة من الورقة. بشكل عام، تؤكد النتائج على أهمية الظواهر المدروسة وتقترح طرقًا للبحث المستقبلي لاستكشاف الأسئلة ذات الصلة.
المناقشة
في هذه الدراسة، قمنا بتطوير نموذج تعلم عميق، ToothNet، للكشف عن تسوس الأسنان ومواد سد الفجوات من الصور الفموية البانورامية. تتكون مجموعة البيانات من 1020 صورة تم جمعها من 762 متطوعًا، مع إجراء التوضيحات بواسطة أطباء أسنان ذوي خبرة لضمان الدقة. أظهر النموذج حساسية عالية (99.4%) ودقة (99.8%) في تحديد موقع السن الواحد، وهو أمر حاسم للمهام اللاحقة للكشف. بالنسبة للكشف عن التسوس، حقق ToothNet حساسية قدرها 80.7% ودقة قدرها 81.4%، بينما كانت الحساسية والدقة للكشف عن مواد السد 71.4% و75.0%، على التوالي. كانت المساحة تحت المنحنى (AUC) للكشف عن التسوس 0.925، مما يشير إلى أداء قوي.
أظهر التحليل المقارن مع طبيب أسنان ذو خبرة سنة واحدة أن ToothNet تفوق على الطبيب في الكشف عن التسوس (درجة F1: 0.599 مقابل 0.727 للكشف عن مواد السد)، بينما أظهر أداءً قابلًا للمقارنة في الكشف عن مواد السد (AUC: 0.829). تشير النتائج إلى أن طرق التعلم العميق يمكن أن تسهل بشكل فعال التشخيص عن بُعد للأمراض الفموية، مما يعزز المراقبة الروتينية من قبل غير المحترفين. ومع ذلك، تشير القيود مثل مجموعة البيانات الصغيرة نسبيًا لمواد سد الفجوات والتحديات في الكشف عن الآفات التسوسية المبكرة إلى الحاجة إلى مزيد من البحث وتوسيع مجموعة البيانات لتحسين قوة النموذج وقابليته للتطبيق السريري.
DOI: https://doi.org/10.1186/s12903-024-04254-1
PMID: https://pubmed.ncbi.nlm.nih.gov/38735954
Publication Date: 2024-05-12
Author(s): Yanshan Xiong et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study presents ToothNet, a deep learning model designed for the simultaneous detection of dental caries and fissure sealants in intraoral photographs. A dataset comprising 1020 images from 762 volunteers was annotated by two endodontists, and ToothNet was developed by modifying the YOLOX framework. The model’s performance was evaluated using the area under the curve (AUC) from receiver operating characteristic (ROC) and free-response ROC (FROC) analyses, focusing on both classification accuracy (image-level) and localization accuracy (tooth-level).
Results indicated that ToothNet achieved an AUC of 0.925 for caries detection and 0.902 for sealant detection at the image level. At the tooth level, the model demonstrated a sensitivity of 0.807 and an F1-score of 0.810 for caries, while for fissure sealants, the sensitivity was 0.714 with an F1-score of 0.731. Comparatively, a dentist with one year of experience showed lower performance metrics in caries detection (F1-score of 0.599, p < 0.0001) and similar AUC for sealant detection (0.829, p = 0.154). The findings suggest that ToothNet is effective for multi-task detection in dental images, outperforming novice dentists in caries detection while being comparable in sealant detection. Future work will focus on expanding the dataset to enhance model performance in diverse clinical scenarios.
Introduction
The introduction of this research paper addresses the significant public health issue of dental caries, which affects a large proportion of school-aged children and adults in industrialized nations. It highlights the effectiveness of pit and fissure sealing as a preventive measure and the challenges posed by insufficient medical resources, particularly in remote areas. The authors emphasize the potential of telemedicine and advancements in artificial intelligence, specifically deep learning (DL) techniques using convolutional neural networks (CNNs), in enhancing caries detection through various imaging modalities.
Despite the promising capabilities of existing deep learning models in analyzing dental radiographs and other imaging techniques, the authors note that these methods often require specialized equipment and trained professionals, limiting their applicability in telemedicine. To address this gap, the study introduces ToothNet, a deep learning-based intelligent detection model designed for the simultaneous identification of caries and fissure sealants from intraoral occlusal photographs. The authors aim to evaluate ToothNet’s performance against that of dentists, hypothesizing that the model’s diagnostic accuracy will be comparable, thereby facilitating broader access to dental care through non-professional use in everyday scenarios.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was performed using advanced statistical software, applying techniques such as regression analysis and hypothesis testing to draw meaningful conclusions from the data. The section emphasizes the importance of replicability and transparency in the research process, detailing the steps taken to mitigate bias and enhance the robustness of the findings.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the variables studied, 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 under investigation, with observed outcomes aligning closely with the proposed hypotheses.
Furthermore, graphical representations of the data illustrate the relationships among the variables, highlighting the effectiveness of the experimental design. The findings contribute to the existing body of knowledge by providing empirical evidence that supports the theoretical framework established in earlier sections of the paper. Overall, the results underscore the importance of the studied phenomena and suggest avenues for future research to explore related questions.
Discussion
In this study, we developed a deep learning model, ToothNet, for the detection of dental caries and fissure sealants from panoramic occlusal photographs. The dataset comprised 1020 images collected from 762 volunteers, with annotations performed by experienced endodontists to ensure accuracy. The model demonstrated high sensitivity (99.4%) and accuracy (99.8%) in single tooth localization, which is crucial for subsequent detection tasks. For caries detection, ToothNet achieved a sensitivity of 80.7% and precision of 81.4%, while for sealant detection, the sensitivity and precision were 71.4% and 75.0%, respectively. The area under the curve (AUC) for caries detection was 0.925, indicating strong performance.
Comparative analysis with a dentist with one year of experience revealed that ToothNet outperformed the dentist in caries detection (F1 score: 0.599 vs. 0.727 for sealant detection), while showing comparable performance in sealant detection (AUC: 0.829). The findings suggest that deep learning methods can effectively facilitate remote diagnosis of oral diseases, potentially enhancing routine monitoring by non-professionals. However, limitations such as a relatively small dataset for fissure sealants and challenges in detecting early carious lesions indicate the need for further research and dataset expansion to improve model robustness and clinical applicability.