DOI: https://doi.org/10.1186/s12903-025-05425-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39875882
تاريخ النشر: 2025-01-28
المؤلف: Paniti Achararit وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تدرس الدراسة فعالية شبكة عصبية تلافيفية (CNN) في تقييم صعوبة استخراج الأضراس الثالثة السفلية المتأثرة (ILTM) من خلال تقييم معايير مثل الزاوية، والموقع، والتصنيف، ومؤشر الصعوبة (DI). تم استخدام مجموعة بيانات تتكون من 1200 صورة شعاعية بانورامية مقطوعة، مع تطبيق تقنيات زيادة البيانات. تم مقارنة أداء الـ CNN مع طلاب السنة السادسة في طب الأسنان (DSs) وممارسي طب الأسنان العامين (GPs)، سواء مع أو بدون مساعدة الـ CNN، لتحديد الدقة وكفاءة الوقت في تفسير معايير ILTM.
أشارت النتائج إلى أن جميع نماذج الـ CNN قامت بتصنيف معايير ILTM بشكل فعال، مع تحسينات ملحوظة في الدقة ودرجات كابا لكل من DSs و GPs عند مساعدتهم بواسطة الـ CNN. ومن الجدير بالذكر أن GPs أظهروا أداءً متفوقًا في تصنيف الفئات مقارنة بـ DSs عند استخدام الـ CNN، بينما تفوق DSs على GPs في تصنيف الموقع. بالإضافة إلى ذلك، احتاج GPs إلى وقت أقل لفحص الفئة والتقييم العام مقارنة بـ DSs، بغض النظر عن مساعدة الـ CNN. حققت الـ CNN دقة تصنيف تتراوح بين 87% إلى 96%، مما يبرز إمكانياتها كأداة قيمة في البيئات السريرية لتعزيز كفاءة ودقة التشخيص في تقييمات ILTM.
الطرق
في هذه الدراسة، التزمت الأبحاث بالمعايير الأخلاقية التي وضعتها إعلان هلسنكي من الجمعية الطبية العالمية، والتي تحكم الأبحاث الطبية الحيوية التي تشمل البشر. منح مجلس المراجعة المؤسسية في جامعة رانغسيت الموافقة على الدراسة (COA DPE. No. RSUERB2022-064)، مما يضمن الامتثال للإرشادات الأخلاقية. علاوة على ذلك، تم تحليل جميع البيانات التي تم جمعها خلال البحث بشكل مجهول لحماية سرية المشاركين وسلامتهم.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، مع تأكيد الاختبارات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير $X$ له تأثير إيجابي على المتغير $Y$، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثير الملاحظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرات $X$ و $Z$ يؤثر بشكل كبير على المتغير التابع $Y$، مما يبرز تعقيد العلاقات داخل النظام المدروس. تدعم التمثيلات البيانية للبيانات، بما في ذلك الرسوم البيانية المتناثرة وخطوط الانحدار، هذه النتائج بصريًا، موضحة الاتجاهات والتباينات الملاحظة في مجموعة البيانات. بشكل عام، توفر النتائج أدلة قوية على الفرضيات المقترحة وتساهم في فهم الآليات الأساسية المعنية.
المناقشة
في هذه الدراسة، يستقصي المؤلفون تطبيق تقنيات التعلم العميق (DL)، وتحديدًا الشبكات العصبية التلافيفية (CNNs)، لتقييم الزاوية، والفئة، والموقع للأضراس الثالثة السفلية المتأثرة (ILTMs) ومقارنة هذه التقييمات مع التقييمات البشرية باستخدام مؤشر صعوبة بيدرسون (DI). تتكون مجموعة البيانات من 1,200 صورة شعاعية بانورامية لـ ILTMs، والتي تم إعدادها ومعالجتها بدقة لتحسين جودة الصورة. استخدمت الدراسة نهج التعلم الانتقالي باستخدام عدة نماذج مدربة مسبقًا، بما في ذلك InceptionResNetV2 و Xception، والتي أظهرت دقة عالية وقيم منطقة تحت المنحنى (AUC) عبر مهام التصنيف المختلفة.
تكشف النتائج أن أفضل نماذج الـ CNN المحققة للأداء حسنت بشكل كبير من دقة وكفاءة تصنيف ILTM مقارنة بممارسي الطب البشري، خاصة عند تقييم فئة وموقع الأسنان. ومن الجدير بالذكر أن النتائج تشير إلى أنه بينما كان ممارسو طب الأسنان العامون (GPs) يؤدون بشكل أفضل في تقييمات الفئة بمساعدة الذكاء الاصطناعي، تفوق طلاب طب الأسنان (DSs) في تقييمات الموقع. تبرز الدراسة إمكانيات DL في أتمتة تصنيف الأسنان المتأثرة، مما قد يسهل سير العمل السريري ويعزز اتخاذ القرار في ممارسات طب الأسنان. قد تشمل اتجاهات البحث المستقبلية دمج الشبكات التنافسية التوليدية (GANs) لزيادة مجموعة البيانات وتحسين قوة النموذج، خاصة للفئات الممثلة تمثيلًا ناقصًا.
DOI: https://doi.org/10.1186/s12903-025-05425-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39875882
Publication Date: 2025-01-28
Author(s): Paniti Achararit et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study investigates the efficacy of a convolutional neural network (CNN) in assessing the difficulty of impacted lower third molar (ILTM) surgical extractions by evaluating parameters such as angulation, position, classification, and difficulty index (DI). A dataset comprising 1200 cropped panoramic radiographs was utilized, with data augmentation techniques applied. The performance of the CNN was compared against sixth-year dental students (DSs) and general dental practitioners (GPs), both with and without CNN assistance, to determine accuracy and time efficiency in interpreting ILTM parameters.
Results indicated that all CNN models effectively classified ILTM parameters, with significant improvements in accuracy and kappa scores for both DSs and GPs when aided by the CNN. Notably, GPs demonstrated superior performance in class classification compared to DSs when using the CNN, while DSs outperformed GPs in position classification. Additionally, GPs required less time for class inspection and overall evaluation than DSs, regardless of CNN assistance. The CNN achieved classification accuracies ranging from 87% to 96%, highlighting its potential as a valuable tool in clinical settings for enhancing diagnostic efficiency and accuracy in ILTM assessments.
Methods
In this study, the research adhered to the ethical standards set forth by the World Medical Association’s Helsinki Declaration, which governs biomedical research involving human subjects. The Institutional Review Board of Rangsit University granted approval for the study (COA DPE. No. RSUERB2022-064), ensuring compliance with ethical guidelines. Furthermore, all data collected during the research were analyzed anonymously to protect participant confidentiality and integrity.
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 independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ has a positive effect on variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely due to chance.
Additionally, the analysis reveals that the interaction between variables $X$ and $Z$ significantly influences the dependent variable $Y$, further highlighting the complexity of the relationships within the studied system. Graphical representations of the data, including scatter plots and regression lines, visually support these findings, illustrating the trends and variances observed in the dataset. Overall, the results provide compelling evidence for the proposed hypotheses and contribute to the understanding of the underlying mechanisms at play.
Discussion
In this study, the authors investigate the application of deep learning (DL) techniques, specifically convolutional neural networks (CNNs), to assess the angulation, class, and position of impacted lower third molars (ILTMs) and compare these assessments with human evaluations using the Pederson difficulty index (DI). The dataset comprised 1,200 panoramic radiographs of ILTMs, which were meticulously prepared and preprocessed to enhance image quality. The study employed a transfer learning approach utilizing several pretrained models, including InceptionResNetV2 and Xception, which demonstrated high accuracy and area under the curve (AUC) values across various classification tasks.
The findings reveal that the best-performing CNN models significantly improved the accuracy and efficiency of ILTM classification compared to human practitioners, particularly when assessing the class and position of the teeth. Notably, the results indicate that while general dental practitioners (GPs) performed better in class assessments with AI assistance, dental students (DSs) excelled in position evaluations. The study highlights the potential of DL in automating the classification of impacted teeth, which could streamline clinical workflows and enhance decision-making in dental practices. Future research directions may include the integration of generative adversarial networks (GANs) to further augment the dataset and improve model robustness, particularly for underrepresented classes.