DOI: https://doi.org/10.1186/s12903-024-03973-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38341526
تاريخ النشر: 2024-02-10
المؤلف: Parsa Forouzeshfar وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تتناول ورقة البحث القضية السائدة للتسوس السني، وهي حالة ناتجة عن البكتيريا التي تؤدي إلى تسوس الأسنان، وتؤثر بشكل خاص على الأطفال. يعد التشخيص المبكر أمرًا حاسمًا لمنع المزيد من التدهور والإصلاحات المكلفة. حاليًا، يعتمد أطباء الأسنان على عملية يدوية تستغرق وقتًا طويلاً لتحديد آفات الأسنان من خلال الفحوصات الشعاعية. تقترح الدراسة نهجًا قائمًا على البيانات باستخدام الشبكات العصبية التلافيفية (CNNs) لتعزيز دقة وكفاءة تشخيص تسوس الأسنان من صور الأشعة السينية.
شملت المنهجية تحليل مجموعة بيانات تتكون من 713 صورة لمريض من مركز سمن للأشعة الفموية في طهران، تم التقاطها بين يونيو 2020 ويناير 2022. تم تغيير حجم الصور إلى $100 \times 100$ بكسل وتقسيمها إلى مجموعات تدريب (70%) واختبار (30%). تم استخدام أربع هياكل CNN – AlexNet وResNet50 وVGG16 وVGG19 – للتحليل. أشارت النتائج إلى أن نموذج VGG19 حقق أعلى دقة بنسبة 93.93%. تشير هذه النتيجة إلى إمكانية تطوير أداة تشخيصية قائمة على الذكاء الاصطناعي لتسوس الأسنان، والتي يمكن تنفيذها كتطبيق موبايل أو نظام دعم اتخاذ القرار السريري القائم على السحابة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على القضية الحرجة لتسوس الأسنان، والتي تعرفها منظمة الصحة العالمية (WHO) بأنها تدمير مينا الأسنان بسبب تأثير البكتيريا على السكريات. يؤكد المؤلفون على الآثار الضارة للصحة الفموية السيئة على جودة حياة الأطفال وأهمية الكشف المبكر عن التسوس لتجنب العلاجات الجراحية. تُلاحظ طرق التشخيص التقليدية، بما في ذلك الفحص البصري والأشعة السينية، لقيودها، مثل التباين في التفسير بين أطباء الأسنان والعبء الذي تضعه على المرضى.
تناقش الورقة الدور الواعد لتعلم الآلة، وخاصة تقنيات التعلم العميق، في تعزيز دقة تشخيص التسوس من الصور الشعاعية. يتم الاستشهاد بعدة دراسات، تُظهر تطبيق الشبكات العصبية التلافيفية (CNNs) وغيرها من منهجيات الذكاء الاصطناعي في اكتشاف وتصنيف التسوس بمعدلات دقة عالية. على سبيل المثال، حقق Lian وآخرون دقة ملحوظة باستخدام nnU-Net وDenseNet121، بينما أبلغ Faria وآخرون عن حساسية بنسبة 98.8% في اكتشاف التسوس المرتبط بالإشعاع. تمهد المقدمة الطريق للأقسام التالية من الورقة، التي ستفصل المواد والأساليب ومعايير التقييم والنتائج والنقاشات المحيطة بدمج الذكاء الاصطناعي في تشخيص الأسنان.
طرق
في هذا القسم، يقدم المؤلفون مجموعة البيانات المستخدمة في تحقيقاتهم، موضحين خصائصها وأهميتها للدراسة. بعد ذلك، يحددون الإطار المنهجي المستخدم، الذي يشمل تقنيات استخراج البيانات المطبقة على مجموعة البيانات. تعتبر هذه الخطوات حاسمة لاستخراج رؤى وأنماط ذات مغزى من البيانات، مما يدعم نتائج البحث. تضمن الوضوح في وصف كل من مجموعة البيانات والنهج المنهجي إمكانية إعادة الإنتاج وتسهيل فهم العمليات التحليلية المعنية.
نتائج
يقدم قسم النتائج تحليلًا شاملاً لأداء نماذج التعلم العميق المختلفة – VGG16 وVGG19 وAlexNet وResNet-50 – على مجموعات بيانات التدريب والاختبار، كما هو موضح في الشكل 7. أظهرت جميع النماذج اتجاهًا تصاعديًا في الدقة، حيث حقق VGG16 زيادة في دقة التدريب من 65% إلى أكثر من 95% وزيادة في دقة الاختبار من 65% إلى أكثر من 90%. وبالمثل، تحسنت دقة تدريب VGG19 من أقل من 70% إلى ما يقرب من 100%، بينما وصلت دقة اختباره إلى حوالي 94%. أظهرت قيم الخسارة لكل من مجموعات بيانات التدريب والاختبار انخفاضًا عامًا، على الرغم من أن خسارة مجموعة بيانات الاختبار انخفضت بمعدل أبطأ. من الجدير بالذكر أن ResNet-50 أظهر أيضًا تحسينات كبيرة، حيث ارتفعت دقة التدريب من أقل من 65% إلى أكثر من 95% وبلغت دقة الاختبار حوالي 90%.
تكشف مصفوفات الالتباس لكل نموذج، الموضحة في الشكل 8، عن رؤى حاسمة حول أدائها في التصنيف، حيث حقق VGG19 أعلى عدد من السلبية الحقيقية (TN) عند 1088، بينما سجل VGG16 أعلى عدد من الإيجابية الحقيقية (TP) عند 621. تشير معايير التقييم الملخصة في الجدول 5 إلى أن VGG19 تفوق على النماذج الأخرى في الدقة العامة (94%)، والدقة (93%)، والحساسية (95%)، وF1-Score (93%)، بينما تفوق VGG16 في الخصوصية (97%). تقارن الدراسة أيضًا هذه النتائج مع الأبحاث السابقة، مما يبرز أن النماذج الحالية حققت دقة وحساسية أعلى من الطرق التقليدية ودراسات أخرى، مما يبرز فعالية CNNs في اكتشاف تسوس الأسنان.
نقاش
هدفت الدراسة إلى تطوير نماذج تعلم عميق للكشف التلقائي عن تسوس الأسنان من صور Bitewing، باستخدام أربع شبكات عصبية تلافيفية (CNNs): VGG16 وVGG19 وAlexNet وResNet50. تم معالجة وتحليل ما مجموعه 713 صورة Bitewing، حيث حقق VGG19 أعلى معدل دقة بنسبة 94%، متفوقًا على النماذج الأخرى. يمتلك هذا النظام التشخيصي القائم على الذكاء الاصطناعي القدرة على مساعدة المتخصصين في الأسنان في تشخيص تسوس الأسنان بدقة، مما يقلل من تكرار الزيارات السنية ويوفر حلاً فعالاً من حيث التكلفة للمرضى.
تسلط الدراسة الضوء على التحديات التي تواجهها في الحصول على البيانات، بما في ذلك الحاجة إلى أجهزة قوية وعملية تصنيف الصور بدقة التي تستغرق وقتًا طويلاً. تؤكد على التعاون بين التخصصات المطلوبة بين خبراء الأسنان وعلماء الكمبيوتر لتعزيز فعالية مثل هذه الأنظمة التشخيصية. بينما تشير النتائج إلى أن الذكاء الاصطناعي يمكن أن يكون مساعدًا قيمًا في تشخيص الأسنان، تؤكد الدراسة على أهمية الحفاظ على إشراف بشري في عملية التشخيص وضرورة المراقبة المستمرة وتحديث نماذج الذكاء الاصطناعي لضمان موثوقيتها ودقتها. تشمل اتجاهات البحث المستقبلية توسيع التصنيف ليشمل مستويات الترميم وشدة التسوس، بالإضافة إلى تطوير تطبيقات سهلة الاستخدام للمرضى لتقييم صحتهم الفموية.
DOI: https://doi.org/10.1186/s12903-024-03973-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38341526
Publication Date: 2024-02-10
Author(s): Parsa Forouzeshfar et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research paper addresses the prevalent issue of dental caries, a condition caused by bacteria that lead to tooth decay, particularly affecting children. Early diagnosis is crucial to prevent further deterioration and costly repairs. Currently, dentists rely on a manual and time-intensive process to identify tooth lesions through radiographic exams. The study proposes a data-driven approach utilizing convolutional neural networks (CNNs) to enhance the accuracy and efficiency of dental decay diagnosis from Bitewing radiology images.
The methodology involved analyzing a dataset of 713 patient images from the Samin Maxillofacial Radiology Center in Tehran, captured between June 2020 and January 2022. The images were resized to $100 \times 100$ pixels and split into training (70%) and testing (30%) sets. Four CNN architectures—AlexNet, ResNet50, VGG16, and VGG19—were employed for the analysis. The results indicated that the VGG19 model achieved the highest accuracy at 93.93%. This finding suggests the feasibility of developing an AI-based diagnostic tool for dental caries, which could be implemented as a mobile application or a cloud-based clinical decision support system.
Introduction
The introduction of the research paper highlights the critical issue of dental caries, defined by the World Health Organization (WHO) as the destruction of tooth enamel due to bacterial action on sugars. The authors emphasize the detrimental effects of poor oral health on children’s quality of life and the importance of early detection of caries to avoid invasive treatments. Traditional diagnostic methods, including visual inspection and bitewing radiography, are noted for their limitations, such as variability in interpretation among dentists and the burden they place on patients.
The paper discusses the promising role of machine learning, particularly deep learning techniques, in enhancing the accuracy of caries diagnosis from radiographic images. Various studies are cited, showcasing the application of convolutional neural networks (CNNs) and other AI methodologies in detecting and classifying caries with high accuracy rates. For instance, Lian et al. achieved notable accuracy using nnU-Net and DenseNet121, while Faria et al. reported a sensitivity of 98.8% in detecting radiation-related caries. The introduction sets the stage for the subsequent sections of the paper, which will detail the materials, methods, evaluation metrics, results, and discussions surrounding the integration of AI in dental diagnostics.
Methods
In this section, the authors present the dataset utilized for their investigations, detailing its characteristics and relevance to the study. Following this, they outline the methodological framework employed, which encompasses the data mining techniques applied to the dataset. These steps are critical for extracting meaningful insights and patterns from the data, thereby underpinning the research findings. The clarity in the description of both the dataset and the methodological approach ensures reproducibility and facilitates understanding of the analytical processes involved.
Results
The results section presents a comprehensive analysis of the performance of various deep learning models—VGG16, VGG19, AlexNet, and ResNet-50—on training and test datasets, as illustrated in Figure 7. All models exhibited an upward trend in accuracy, with VGG16 achieving a training accuracy increase from 65% to over 95% and a test accuracy rise from 65% to over 90%. Similarly, VGG19’s training accuracy improved from below 70% to nearly 100%, while its test accuracy reached approximately 94%. The loss values for both training and test datasets showed a general decline, although the test dataset’s loss decreased at a slower rate. Notably, ResNet-50 also demonstrated significant improvements, with training accuracy rising from below 65% to over 95% and test accuracy reaching around 90%.
The confusion matrices for each model, depicted in Figure 8, reveal critical insights into their classification performance, with VGG19 achieving the highest true negative (TN) count at 1088, while VGG16 recorded the highest true positive (TP) count at 621. Evaluation metrics summarized in Table 5 indicate that VGG19 outperformed the other models in overall accuracy (94%), precision (93%), sensitivity (95%), and F1-Score (93%), while VGG16 excelled in specificity (97%). The study also compares these results with previous research, highlighting that the current models achieved higher accuracy and sensitivity than traditional methods and other studies, underscoring the effectiveness of CNNs in dental caries detection.
Discussion
The research aimed to develop deep learning models for the automatic detection of dental caries from Bitewing images, utilizing four convolutional neural networks (CNNs): VGG16, VGG19, AlexNet, and ResNet50. A total of 713 Bitewing images were preprocessed and analyzed, with VGG19 achieving the highest accuracy rate of 94%, outperforming the other models. This AI-based diagnostic system has the potential to assist dental professionals in accurately diagnosing tooth decay, thereby reducing the frequency of dental visits and providing a cost-effective solution for patients.
The study highlights the challenges faced in data acquisition, including the need for robust hardware and the time-consuming process of accurately classifying images. It emphasizes the interdisciplinary collaboration required between dental experts and computer scientists to enhance the effectiveness of such diagnostic systems. While the findings indicate that AI can serve as a valuable assistant in dental diagnostics, the research underscores the importance of maintaining human oversight in the diagnostic process and the necessity for continuous monitoring and updating of AI models to ensure their reliability and accuracy. Future research directions include expanding the classification to include restoration and severity levels of decay, as well as the development of user-friendly applications for patients to assess their dental health.