DOI: https://doi.org/10.3390/diagnostics16020322
PMID: https://pubmed.ncbi.nlm.nih.gov/41594298
تاريخ النشر: 2026-01-19
المؤلف: Ali Batuhan Bayırlı وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تستكشف هذه الدراسة تطبيق نموذج تعلم عميق يعتمد على YOLOv8x-seg للكشف المتزامن عن ثمانية معايير لثلاثة أنواع من الأسنان في الأشعة السينية. تم تحليل ما مجموعه 1197 صورة شعاعية رقمية، مما أسفر عن 7860 تسمية تم وضعها بواسطة خبراء عبر حالات مثل فقدان العظم السنخي، وجير الأسنان، ومشكلات ترميمية متنوعة. تم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار، مع تدريب النموذج على مدى 800 حقبة باستخدام توسيع بيانات واسع. تم استخدام مقاييس الأداء، بما في ذلك الدقة، والاسترجاع، ودرجة F1، لتقييم فعالية النموذج.
أشارت النتائج إلى أن النموذج تفوق في الكشف عن فقدان العظم السنخي (الدقة: 0.84، الاسترجاع: 0.93، F1: 0.88)، بينما أظهر أداءً معتدلاً لجير الأسنان (F1: 0.58) وتسوس الأسنان (F1: 0.57). ومع ذلك، لوحظ أداء أقل في الحالات الأقل تكرارًا، مثل الفجوات الهامشية العنقية (F1: 0.23) وتسوس الأسنان الثانوي (F1: 0.29). أسفر الأداء العام للتجزئة عن متوسط دقة (mAP) قدره 0.30 عند IoU 0.5 و0.10 عند IoU 0.5:0.95. تشير النتائج إلى أنه بينما يعد نموذج YOLOv8x-seg فعالًا في الكشف عن الحالات اللثوية المحددة جيدًا، فإن أدائه يختلف بشكل كبير عبر الفئات المختلفة، مما يشير إلى الحاجة إلى مجموعات بيانات أكبر وتحسين إضافي للتطبيق السريري.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لتصوير الأشعة السينية في طب الأسنان، وخاصة لتشخيص الحالات التي لا يمكن اكتشافها بالكامل من خلال الفحوصات داخل الفم، مثل تسوس الأسنان وفقدان العظم السنخي. يتم التأكيد على الأشعة السينية من نوع bitewing لفعاليتها التشخيصية في تقييم تسوس الأسنان القريب وجودة الترميم، على الرغم من أن تفسيرها يعتمد على خبرة الطبيب وتفاوتها. أظهرت التقدمات الأخيرة في الذكاء الاصطناعي (AI)، وخاصة من خلال الشبكات العصبية الالتفافية (CNNs)، وعدًا في تعزيز دقة التشخيص من خلال أتمتة تحديد الهياكل والأسنان والأمراض، وبالتالي معالجة القيود المرتبطة بالتفسير البشري.
على الرغم من التقدم المحرز، تركز الدراسات الحالية بشكل أساسي على معايير شعاعية معزولة، متجاهلة الطبيعة المترابطة لمختلف الحالات السنية. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال استخدام نموذج CNN يعتمد على YOLOv8xseg للكشف المتزامن عن عدة معايير – بما في ذلك حالة الاتصال القريب، الآفات التسوسية، وفقدان العظم السنخي – على الأشعة السينية من نوع bitewing. تفترض الدراسة أن دمج مثل هذه الأنظمة الذكية في الممارسة السريرية يمكن أن يحسن من قابلية إعادة إنتاج التشخيص والكفاءة، مما يساعد في النهاية على الكشف المبكر عن الأمراض اللثوية وعيوب الترميم. ومع ذلك، تعترف أيضًا بحدود تفسيرات الأشعة السينية، داعية إلى نهج دقيق في اتخاذ القرارات السريرية يأخذ في الاعتبار هذه القيود.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتناول المواد المستخدمة، بما في ذلك الكواشف المحددة، والمعدات، وأي عينات بيولوجية، لضمان إعادة إنتاج التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الطرق الإحصائية أو النماذج الحسابية، مع تسليط الضوء على أي أساليب فريدة أو تعديلات تم إجراؤها على البروتوكولات القياسية.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، بما في ذلك الضوابط والمتغيرات، لتوضيح السياق الذي تم فيه الحصول على النتائج. تعتبر هذه النظرة الشاملة ضرورية لفهم صلاحية وموثوقية النتائج المقدمة في الدراسة.
النتائج
في هذه الدراسة، تم تحليل 1197 صورة شعاعية من نوع bitewing، مما أسفر عن توليد 7860 تسمية آفة من خلال تعليقات الخبراء. كشفت التحليلات عن عدم توازن كبير في الفئات، مع أعلى التكرارات في تسوس الأسنان (n = 2201) وفقدان العظم السنخي (n = 2089)، بينما كانت عيوب الفركشن (n = 128) والفجوات الهامشية العنقية (n = 409) هي الأقل تكرارًا. أظهر النموذج أفضل أداء له في الكشف عن فقدان العظم السنخي، محققًا دقة قدرها 0.84، واسترجاع قدره 0.93، ودرجة F1 قدرها 0.88. بالمقابل، لوحظت مقاييس أداء أقل للفئات ذات التكرار المنخفض، مع درجات F1 قدرها 0.23 للفجوات الهامشية العنقية و0.29 لتسوس الأسنان الثانوي، مما يبرز التحديات التي تطرحها عدم التوازن في الفئات.
بشكل عام، تم قياس أداء التجزئة للنموذج باستخدام درجة Dice ومؤشر Jaccard، حيث حقق فقدان العظم السنخي أعلى الدرجات (Dice = 0.64، Jaccard = 0.54). في المقابل، أظهرت الفجوات الهامشية العنقية أدنى أداء (Dice = 0.25، Jaccard = 0.17). كان متوسط التقاطع على الاتحاد (IoU) عبر جميع الفئات 0.29، مع أعلى IoU لفقدان العظم السنخي عند 0.54. أظهرت تحليل مصفوفة الالتباس أن السلبيات الكاذبة كانت شائعة، خاصة في الفئات ذات التكرار المنخفض، حيث كانت الآفات غالبًا ما تُصنف بشكل خاطئ كخلفية. كما عكس أداء تصنيف الفئات المتعددة للنموذج، الذي تم تقييمه من خلال قيم AUC، هذه الاتجاهات، حيث كانت أعلى AUC قدرها 0.6906 لفقدان العظم السنخي، بينما أظهرت الفئات الأخرى، وخاصة تلك التي تحتوي على أمراض معقدة، قدرة تمييز محدودة.
المناقشة
تسلط قسم المناقشة في هذه الدراسة الضوء على التقدمات الكبيرة التي تم إحرازها في تطبيق الذكاء الاصطناعي (AI) لتجزئة المعايير اللثوية والترميمية بشكل متزامن في الأشعة السينية من نوع bitewing، باستخدام بنية YOLOv8x-seg. تعتبر هذه الدراسة بارزة لتقييمها الشامل لثماني فئات سريرية متميزة، مما يعالج فجوة في الأدبيات الحالية التي تركز عادةً على معايير فردية. تساهم مجموعة البيانات الكبيرة للدراسة وعملية التعليق الدقيقة للحقائق، التي حققت مستوى عالٍ من توافق الخبراء، في قوتها المنهجية. أظهر النموذج أداءً قويًا، خاصة في الكشف عن فقدان العظم السنخي، والذي يُعزى إلى الهياكل التشريحية المحددة جيدًا المعنية. ومع ذلك، لا تزال هناك تحديات في تحديد الفئات التي تتميز بعدم التوازن في الفئات والغموض الشكلي، مثل الفجوات الهامشية العنقية وتسوس الأسنان الثانوي، مما يشير إلى أن قيود الذكاء الاصطناعي في تفسير الأشعة السينية ليست فقط معمارية ولكن أيضًا مرتبطة بالتعقيدات الكامنة في طريقة التصوير.
تشير النتائج إلى أنه بينما تعزز بنية YOLOv8x-seg القدرة على الكشف عن آفات متعددة، فإن أداء النموذج يتأثر بعوامل مثل توزيع الفئات وتميز الميزات الشكلية. تتناقض الدقة العالية في الفئات المحددة جيدًا مع الأداء الأقل في الفئات الأقل تميزًا، مما يبرز الحاجة إلى مزيد من التحسين في نماذج الذكاء الاصطناعي لمعالجة هذه التحديات. تؤكد الدراسة على إمكانية دمج مثل هذه الأنظمة الذكية في سير العمل السريري لتحسين قابلية إعادة إنتاج التشخيص وتقليل تفاوت الملاحظات. ومع ذلك، تدعو أيضًا إلى إجراء أبحاث مستقبلية لاستكشاف التحقق الخارجي، ومعايرة درجات الثقة، وتحديد العتبات ذات المعنى السريري، والتي تعتبر ضرورية للتطبيق العملي لهذه النماذج في تصوير الأسنان. بشكل عام، تضع هذه الدراسة إطارًا أساسيًا لتقدم أدوات التشخيص المدفوعة بالذكاء الاصطناعي في طب الأسنان، مع الاعتراف أيضًا بالتعقيدات المرتبطة بمهام التجزئة متعددة الفئات.
DOI: https://doi.org/10.3390/diagnostics16020322
PMID: https://pubmed.ncbi.nlm.nih.gov/41594298
Publication Date: 2026-01-19
Author(s): Ali Batuhan Bayırlı et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study investigates the application of a YOLOv8x-seg-based deep learning model for the simultaneous detection of eight periodontal and restorative parameters in bitewing radiographs. A total of 1197 digital radiographs were analyzed, resulting in 7860 expert-annotated labels across conditions such as alveolar bone loss, dental calculus, and various restorative issues. The dataset was split into training, validation, and test sets, with the model trained over 800 epochs utilizing extensive data augmentation. Performance metrics, including precision, recall, and F1-score, were employed to evaluate the model’s effectiveness.
Results indicated that the model excelled in detecting alveolar bone loss (precision: 0.84, recall: 0.93, F1: 0.88), while it showed moderate performance for dental calculus (F1: 0.58) and caries (F1: 0.57). However, lower performance was noted in less frequent conditions, such as cervical marginal gaps (F1: 0.23) and secondary caries (F1: 0.29). The overall segmentation performance yielded a mean Average Precision (mAP) of 0.30 at IoU 0.5 and 0.10 at IoU 0.5:0.95. The findings suggest that while the YOLOv8x-seg model is effective for detecting well-defined periodontal conditions, its performance varies significantly across different classes, indicating a need for larger datasets and further refinement for clinical application.
Introduction
The introduction of this research paper highlights the critical role of radiographic imaging in dentistry, particularly for diagnosing conditions that are not fully detectable through intraoral examinations, such as dental caries and alveolar bone loss. Bitewing radiographs are emphasized for their diagnostic efficacy in assessing proximal caries and restoration quality, although their interpretation is subject to clinician experience and variability. Recent advancements in artificial intelligence (AI), particularly through convolutional neural networks (CNNs), have shown promise in enhancing diagnostic accuracy by automating the identification of dental structures and pathologies, thus addressing limitations associated with human interpretation.
Despite the progress made, existing studies predominantly focus on isolated radiographic parameters, neglecting the interconnected nature of various dental conditions. This research aims to bridge this gap by employing a YOLOv8xseg-based CNN model to simultaneously detect multiple parameters—including proximal contact status, carious lesions, and alveolar bone loss—on bitewing radiographs. The study posits that integrating such AI systems into clinical practice could improve diagnostic reproducibility and efficiency, ultimately aiding in the early detection of periodontal diseases and restorative defects. However, it also acknowledges the limitations of radiographic interpretations, advocating for a nuanced approach to clinical decision-making that considers these constraints.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the materials used, including specific reagents, equipment, and any biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods or computational models, highlighting any unique approaches or modifications made to standard protocols.
Additionally, the section may describe the experimental conditions, including controls and variables, to elucidate the context in which the findings were obtained. This comprehensive overview is crucial for understanding the validity and reliability of the results presented in the study.
Results
In this study, 1197 bitewing radiographs were analyzed, resulting in the generation of 7860 lesion labels through expert annotations. The analysis revealed a significant class imbalance, with the highest frequencies in caries (n = 2201) and alveolar bone loss (n = 2089), while furcation defects (n = 128) and cervical marginal gaps (n = 409) were the least frequent. The model exhibited its best performance in detecting alveolar bone loss, achieving a precision of 0.84, recall of 0.93, and an F1-score of 0.88. Conversely, lower performance metrics were noted for low-frequency classes, with F1-scores of 0.23 for cervical marginal gaps and 0.29 for secondary caries, highlighting the challenges posed by class imbalance.
Overall, the model’s segmentation performance was quantified using the Dice Score and Jaccard index, with alveolar bone loss yielding the highest scores (Dice = 0.64, Jaccard = 0.54). In contrast, cervical marginal gaps showed the lowest performance (Dice = 0.25, Jaccard = 0.17). The mean Intersection over Union (IoU) across all categories was 0.29, with the highest IoU for alveolar bone loss at 0.54. Confusion matrix analysis indicated that false negatives were prevalent, particularly in low-frequency classes, where lesions were often misclassified as background. The model’s multiclass classification performance, assessed via AUC values, also reflected these trends, with the highest AUC of 0.6906 for alveolar bone loss, while other classes, particularly those with complex pathologies, demonstrated limited discriminative ability.
Discussion
The discussion section of this study highlights the significant advancements made in the application of artificial intelligence (AI) for the simultaneous segmentation of periodontal and restorative parameters in bitewing radiographs, utilizing the YOLOv8x-seg architecture. This research is notable for its comprehensive evaluation of eight distinct clinical categories, addressing a gap in existing literature that typically focuses on single parameters. The study’s large-scale dataset and the rigorous ground truth annotation process, which achieved a high level of expert consensus, contribute to its methodological robustness. The model demonstrated strong performance, particularly in detecting alveolar bone loss, attributed to the well-defined anatomical structures involved. However, challenges remain in accurately identifying categories characterized by class imbalance and morphological ambiguity, such as cervical marginal gaps and secondary caries, indicating that the limitations of AI in radiographic interpretation are not solely architectural but also related to the inherent complexities of the imaging modality.
The findings suggest that while the YOLOv8x-seg architecture enhances the capability for multi-lesion detection, the model’s performance is influenced by factors such as class distribution and the distinctiveness of morphological features. High accuracy in well-defined categories contrasts with lower performance in less distinct ones, underscoring the need for further refinement in AI models to address these challenges. The study emphasizes the potential for integrating such AI systems into clinical workflows to improve diagnostic reproducibility and reduce observer variability. However, it also calls for future research to explore external validation, confidence score calibration, and the establishment of clinically meaningful thresholds, which are crucial for the practical application of these models in dental radiography. Overall, this research lays a foundational framework for advancing AI-driven diagnostic tools in dentistry, while also acknowledging the complexities involved in multi-class segmentation tasks.