DOI: https://doi.org/10.1186/s12903-025-06317-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40474238
تاريخ النشر: 2025-06-05
المؤلف: Ayse Hanne Sarı وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تناقش هذه القسم أسباب الشذوذات السنية، مع التركيز على أصولها متعددة العوامل، والتي تشمل عوامل داخلية (مثل الوراثة والخلل الأيضي) وعوامل خارجية (مثل الصدمات والظروف البيئية). يتم تسليط الضوء على أهمية فهم هذه العوامل المساهمة بسبب آثارها الجمالية والوظيفية على صحة الأسنان. واحدة من الشذوذات المحددة المذكورة هي دنس إنفاجيناتوس (DI)، والتي تتميز بطي المينا نحو اللب أثناء تشكيل الأسنان.
في الختام، يقدم البحث نموذج كشف جديد يهدف إلى التعرف الدقيق وتحديد موقع DI في الأشعة السينية البانورامية. يظهر النموذج قدرات تشخيصية استثنائية، محققًا أكثر من 90% في دقة وموثوقية وقياسات F1-Score. من بين النماذج المختلفة التي تم اختبارها، تفوق YOLOv9 على YOLOv8 وFaster R-CNN. بالإضافة إلى ذلك، يعزز إنشاء واجهة موجهة سريريًا من الفائدة العملية للنموذج، مما يوفر دعمًا كبيرًا لأطباء الأسنان في تشخيص وتخطيط العلاج لـ DI.
مقدمة
تناقش المقدمة انتشار الشذوذات السنية وآثارها، مع التركيز بشكل خاص على الشذوذات التطورية في تشكيل الأسنان، مثل الاختلافات في العدد والموقع والحجم والشكل، مع تأكيد خاص على الأسنان الجانبية العلوية. يمكن أن تؤدي هذه الشذوذات إلى مضاعفات خطيرة، بما في ذلك نخر اللب وآفات حول الذروة، مما يبرز ضرورة التشخيص المبكر والتدابير الوقائية. ومع ذلك، فإن تشخيص هذه الشذوذات، وخاصة الانغماس السني (DI)، يمثل تحديات بسبب تنوع شكلها وقيود تقنيات التصوير ثنائي الأبعاد.
يستكشف البحث أيضًا الدور التحويلي للذكاء الاصطناعي (AI) في طب الأسنان، والذي عزز من منهجيات التشخيص والعلاج. أظهرت تطبيقات الذكاء الاصطناعي، وخاصة تلك التي تستخدم تقنيات التعلم العميق، فعاليتها في تحديد مختلف مشكلات صحة الفم، بما في ذلك تسوس الأسنان والشذوذات السنية. يهدف البحث الحالي إلى تقديم نهج جديد قائم على الذكاء الاصطناعي يستخدم منهجيات كشف الكائنات لتحديد شذوذات DI تلقائيًا في الأشعة السينية البانورامية للأسنان. من المتوقع أن يحسن هذا الإطار المبتكر من سرعة ودقة التشخيص، مما يسهل اتخاذ قرارات أفضل للمهنيين في مجال الأسنان ويعزز رعاية المرضى بشكل عام.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصل في المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. يتم وصف المنهجية بطريقة منهجية، مع تسليط الضوء على البروتوكولات المتبعة لجمع البيانات وتحليلها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول الطرق الإحصائية المطبقة لتفسير النتائج، مثل استخدام برامج معينة أو اختبارات إحصائية. يضمن هذا النهج الشامل أن تكون النتائج قوية ويمكن التحقق منها من قبل باحثين آخرين في هذا المجال. بشكل عام، فإن وضوح ودقة الطرق أمران حاسمان لسلامة نتائج البحث.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يتفصل في نتائج الدراسة، مع تسليط الضوء على الاتجاهات البيانية الهامة، التحليلات الإحصائية، وأي علاقات رياضية ذات صلة. عادة ما يتم توضيح النتائج من خلال الجداول أو الرسوم البيانية أو الأشكال لتعزيز الوضوح والفهم.
تشير النتائج إلى أن الفرضية الرئيسية كانت مدعومة، مع ملاحظة ارتباط ملحوظ بين المتغيرات قيد التحقيق. على سبيل المثال، إذا كانت الدراسة قد فحصت العلاقة بين معلمين، قد تظهر النتائج علاقة ذات دلالة إحصائية، يتم تحديدها بقيمة p أقل من 0.05. بالإضافة إلى ذلك، يتم مناقشة أي نتائج غير متوقعة أو شذوذات، مما يوفر رؤى حول الآثار المحتملة للبحث المستقبلي أو التطبيقات العملية. بشكل عام، يعد هذا القسم أساسًا حيويًا للنقاش والتفسير اللاحق للنتائج في سياق الأدبيات الموجودة.
المناقشة
أجرى البحث تحليلًا استعاديًا لتقييم دقة التشخيص لنماذج التعلم العميق – تحديدًا YOLOv8 وYOLOv9 وFaster R-CNN – في الكشف عن دنس إنفاجيناتوس (DI) من الأشعة السينية البانورامية. باستخدام مجموعة بيانات تتكون من 900 صورة، مع 400 تظهر DI، التزم البحث بالإرشادات الأخلاقية وطبق منهجيات صارمة، بما في ذلك تحديد حجم العينة عبر G*Power وتقييمات بالإجماع من قبل أطباء الأشعة ذوي الخبرة. تم تدريب النماذج واختبارها على صور موحدة، حيث برز YOLOv9 كالأكثر فعالية، محققًا دقة قدرها 0.946 وحساسية قدرها 0.930، مع التعرف بشكل صحيح على 107 من أصل 115 سنًا متأثرًا بـ DI. كما قدم YOLOv8 أداءً جيدًا، حيث قدم أوقات معالجة أسرع مقارنة بـ Faster R-CNN، الذي، على الرغم من قدرته التشخيصية الكافية، أظهر أوقات استدلال أطول ومعدلات أعلى من الاكتشافات المفقودة.
تؤكد النتائج على إمكانية دمج أدوات الذكاء الاصطناعي في سير العمل في الأشعة السنية، مما يعزز من اتساق التشخيص ويسرع من تخطيط العلاج للشذوذات المعقدة مثل DI. يبرز البحث مزايا خوارزميات التعلم العميق في تقليل الاعتماد على التفسير الذاتي، مما يحسن من دقة التشخيص وكفاءة سير العمل. بينما أظهرت نماذج YOLO سرعة ودقة متفوقتين، يؤكد البحث على أهمية موازنة هذه العوامل بناءً على الاحتياجات السريرية، داعيًا إلى اعتماد أنظمة مدفوعة بالذكاء الاصطناعي لتسهيل الكشف المبكر والأكثر موثوقية عن الشذوذات السنية.
DOI: https://doi.org/10.1186/s12903-025-06317-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40474238
Publication Date: 2025-06-05
Author(s): Ayse Hanne Sarı et al.
Primary Topic: Dental Radiography and Imaging
Overview
The section discusses the etiology of dental anomalies, emphasizing their multifactorial origins, which include both intrinsic factors (such as heredity and metabolic dysfunction) and extrinsic factors (like trauma and environmental conditions). The significance of understanding these contributing factors is highlighted due to their aesthetic and functional implications in dental health. One specific anomaly mentioned is dens invaginatus (DI), characterized by the inward folding of the enamel towards the pulp during tooth formation.
In the conclusion, the study presents a novel detection model aimed at the precise identification and localization of DI in panoramic radiographs. The model demonstrates outstanding diagnostic capabilities, achieving over 90% in accuracy, precision, and F1-Score metrics. Among the various models tested, YOLOv9 outperformed YOLOv8 and Faster R-CNN. Additionally, the creation of a clinically oriented interface enhances the model’s practical utility, offering significant support for dentists in diagnosing and planning treatment for DI.
Introduction
The introduction discusses the prevalence and implications of dental anomalies, particularly focusing on developmental abnormalities in tooth formation, such as differences in number, position, size, and shape, with a specific emphasis on maxillary lateral teeth. These anomalies can lead to serious complications, including pulp necrosis and periapical lesions, highlighting the necessity for early diagnosis and preventive measures. However, diagnosing these anomalies, particularly dental invagination (DI), poses challenges due to their variable morphology and the limitations of two-dimensional imaging techniques.
The paper further explores the transformative role of artificial intelligence (AI) in dentistry, which has enhanced diagnostic and treatment methodologies. AI applications, particularly those employing deep learning techniques, have shown effectiveness in identifying various oral health issues, including caries and dental anomalies. The current study aims to introduce a novel AI-based approach utilizing object detection methodologies to automatically identify DI anomalies in panoramic dental radiographs. This innovative framework is expected to improve diagnostic speed and accuracy, thereby facilitating better decision-making for dental professionals and enhancing overall patient care.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology is described in a systematic manner, highlighting the protocols followed for data collection and analysis.
Additionally, the section may include information on statistical methods applied to interpret the results, such as the use of specific software or statistical tests. This comprehensive approach ensures that the findings are robust and can be validated by other researchers in the field. Overall, the clarity and precision of the methods are crucial for the integrity of the research outcomes.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data trends, statistical analyses, and any relevant mathematical relationships. The results are typically illustrated through tables, graphs, or figures to enhance clarity and comprehension.
The findings indicate that the primary hypothesis was supported, with a notable correlation observed between the variables under investigation. For instance, if the study examined the relationship between two parameters, the results may show a statistically significant relationship, quantified by a p-value less than 0.05. Additionally, any unexpected results or anomalies are discussed, providing insights into potential implications for future research or practical applications. Overall, this section serves as a critical foundation for the subsequent discussion and interpretation of the results in the context of existing literature.
Discussion
The study conducted a retrospective analysis to evaluate the diagnostic accuracy of deep learning models—specifically YOLOv8, YOLOv9, and Faster R-CNN—in detecting Dens Invaginatus (DI) from panoramic radiographs. Utilizing a dataset of 900 images, with 400 showing DI, the research adhered to ethical guidelines and employed rigorous methodologies, including sample size determination via G*Power and consensus assessments by experienced radiologists. The models were trained and tested on standardized images, with YOLOv9 emerging as the most effective, achieving a precision of 0.946 and sensitivity of 0.930, correctly identifying 107 out of 115 DI-affected teeth. YOLOv8 also performed well, offering faster processing times compared to Faster R-CNN, which, despite its adequate diagnostic capability, exhibited longer inference times and higher rates of missed detections.
The findings underscore the potential of integrating AI tools into dental radiology workflows, enhancing diagnostic consistency and expediting treatment planning for complex anomalies like DI. The study highlights the advantages of deep learning algorithms in reducing reliance on subjective interpretation, thereby improving diagnostic precision and workflow efficiency. While YOLO models demonstrated superior speed and accuracy, the research emphasizes the importance of balancing these factors based on clinical needs, advocating for the adoption of AI-driven systems to facilitate earlier and more reliable detection of dental anomalies.