DOI: https://doi.org/10.5624/isd.20240020
PMID: https://pubmed.ncbi.nlm.nih.gov/39371308
تاريخ النشر: 2024-01-01
المؤلف: Katerina Vilkomir وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
هدفت هذه الدراسة إلى تصنيف مشاركة الفركشن في الأضراس السفلية باستخدام خوارزمية تعلم عميق تطبق على الأشعة السينية المحيطية. استخدمت الأبحاث مجموعة بيانات من الأشعة السينية للأضراس السفلية والأضراس المولية ذات الجودة التشخيصية التي تم جمعها في كلية الطب الأسنان بجامعة شرق كارولينا من عام 2011 إلى 2023. تم تصنيف الصور على أنها “صحية” أو “FI” ثم تم تقسيمها إلى مجموعات تدريب، تحقق، واختبار. تم استخدام نموذج الشبكة العصبية التلافيفية ResNet-18 لتصنيف الصور، باستخدام PyTorch للمعالجة المسبقة وتدريب النموذج، مع CrossEntropyLoss ومحسن AdamW لتدريب دالة الخسارة وتحسين معدل التعلم.
أظهرت النتائج أن نموذج ResNet-18 حقق دقة مثيرة للإعجاب بلغت 96.47% في تصنيف الأضراس الصحية مقابل FI في مجموعة الاختبار. تشير هذه المستويات العالية من الدقة إلى فعالية النموذج لهذه المهمة المحددة في تصنيف الصور. تشير النتائج إلى أن خوارزمية التعلم العميق المطورة يمكن أن تكون أداة مساعدة قيمة في الكشف عن الأمراض اللثوية وإدارتها، مما يعزز القدرات التشخيصية في ممارسة طب الأسنان.
مقدمة
تستعرض مقدمة هذه الورقة البحثية الدور المهم للذكاء الاصطناعي (AI) في مجالات مختلفة، مع التركيز بشكل خاص على تطبيقاته في التصوير الطبي والتشخيص. يُعرف الذكاء الاصطناعي بأنه قدرة الآلات على تقليد الذكاء البشري، وقد أظهر فعالية ملحوظة من خلال الشبكات العصبية التلافيفية (CNNs) في مهام مثل التعرف على الأشياء واتخاذ القرارات. في علم الأشعة، تم استخدام الذكاء الاصطناعي بشكل فعال في الكشف عن الأمراض، بما في ذلك حالات مثل العقيدات الرئوية وتكلس الشرايين التاجية. شهد قطاع الأسنان أيضًا تقدمًا واعدًا، مع دراسات تؤكد دقة الذكاء الاصطناعي في تشخيص مشكلات الأسنان مثل التسوس وفقدان العظم السنخي.
تتناول الورقة بشكل خاص مشاركة الفركشن (FI)، وهو مؤشر حاسم على الأمراض اللثوية التي تعقد نتائج العلاج. تواجه طرق التشخيص التقليدية، بما في ذلك فحص اللثة وفحوصات الأشعة السينية، تحديات مثل الوصول والتباين في خبرة المشغل، مما يمكن أن يعيق التشخيص الدقيق. على الرغم من إمكانيات التعلم العميق في الكشف عن FI في الأضراس، لا تزال الأبحاث في هذا المجال محدودة. تهدف هذه الدراسة إلى تطوير وتدريب خوارزمية تعلم عميق لتعزيز دقة التشخيص لمشاركة الفركشن في الأضراس السفلية، مع الهدف النهائي لتحسين اتخاذ القرارات السريرية ونتائج العلاج للمرضى الذين يعانون من الأمراض اللثوية.
طرق
تستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان قابلية تكرار التجارب. تشمل المنهجية البروتوكولات لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك ظروف التحكم والدوافع وراء الطرق المختارة. من الضروري أن يتم تأسيس صحة النتائج، حيث يسمح بالتقييم النقدي وإعادة الإنتاج من قبل باحثين آخرين في هذا المجال. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية استنتاج استنتاجات الدراسة من البيانات المجمعة.
نتائج
في قسم النتائج، أظهر عملية تدريب النموذج تعلمًا فعالًا، كما يتضح من الانخفاض المستمر في خسارة التدريب من 0.6356 في الحقبة الأولى إلى 0.2740 بحلول الحقبة الثالثة عشر. كما أظهرت خسارة التحقق تحسنًا، حيث ارتفعت في البداية إلى 0.4868 في الحقبة السادسة قبل أن تنخفض إلى 0.2035 بحلول الحقبة الثانية عشر. انتهى التدريب في الحقبة الخامسة عشر بسبب آلية الإيقاف المبكر، مع زيادة دقة التدريب والتحقق بنسبة 25.36% و28.05%، على التوالي.
شمل تقييم نموذج ResNet-18 تصنيف دفعات من الصور، مع تسليط الضوء على التوقعات الصحيحة باللون الأخضر وتلك غير الصحيحة باللون الأحمر. تجاوزت جميع مقاييس التقييم لمجموعة بيانات الاختبار 95%، وتم قياس قدرة النموذج على التمييز بين الفئات الصحية وFI باستخدام منحنى ROC، مما أسفر عن منطقة تحت منحنى ROC (AUROC) تبلغ 0.99، مما يشير إلى أداء تمييزي استثنائي. أظهر تحليل مصفوفة الالتباس ثلاث تصنيفات خاطئة فقط: صورة صحية واحدة تم التعرف عليها بشكل خاطئ على أنها FI وصورتان FI تم تصنيفه بشكل خاطئ على أنهما صحيتان، مما يبرز دقة النموذج العامة.
مناقشة
هدفت الدراسة التي أجريت في كلية الطب الأسنان بجامعة شرق كارولينا من يوليو 2011 إلى أكتوبر 2023 إلى تعزيز تحديد مشاركة الفركشن (FI) في الأضراس السفلية باستخدام خوارزمية تعلم عميق، تحديدًا ResNet-18. شملت الأبحاث مجموعة بيانات شاملة تتكون من سلسلة فم كاملة ذات جودة تشخيصية (FMXs) وأشعة سينية محيطية، والتي تم تصنيفها بعناية وتقسيمها إلى مجموعات تدريب، تحقق، واختبار. حقق النموذج دقة مثيرة للإعجاب بلغت 96.47% في الكشف عن FI، متجاوزًا الدراسات السابقة التي استخدمت منهجيات مختلفة. هذا يبرز إمكانيات الذكاء الاصطناعي (AI) في تحسين التشخيصات اللثوية، خاصة في الحالات الصعبة حيث قد تفشل التقييمات السريرية والأشعة التقليدية.
على الرغم من النتائج الواعدة، سلطت الدراسة الضوء على التعقيدات المرتبطة بتشخيص FI بدقة، كما يتضح من ثلاث تصنيفات خاطئة في مجموعة بيانات الاختبار. تم نسب هذه التصنيفات الخاطئة إلى ميزات شعاعية دقيقة تشبه الأسنان الصحية، مما يبرز الطبيعة متعددة العوامل لتشخيص الأمراض التي تمتد إلى ما هو أبعد من التصوير فقط. يقترح المؤلفون أن الأبحاث المستقبلية يجب أن تشمل حالات أكثر تحديًا وتوسع قدرات النموذج لتشمل الكشف عن FI في الأضراس العلوية، والتي تقدم تحديات تشخيصية إضافية بسبب العوائق التشريحية. بينما تدعو النتائج إلى دمج الذكاء الاصطناعي في التشخيصات السنية، فإنها تحذر أيضًا من الاعتماد المفرط على أدوات الذكاء الاصطناعي، خاصة بين الأطباء المبتدئين، داعية إلى نهج متوازن يجمع بين مساعدة الذكاء الاصطناعي والخبرة السريرية.
DOI: https://doi.org/10.5624/isd.20240020
PMID: https://pubmed.ncbi.nlm.nih.gov/39371308
Publication Date: 2024-01-01
Author(s): Katerina Vilkomir et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study aimed to classify mandibular molar furcation involvement (FI) using a deep learning algorithm applied to periapical radiographs. The research utilized a dataset of diagnostic-quality mandibular premolar and molar radiographs collected at East Carolina University School of Dental Medicine from 2011 to 2023. Images were annotated as either “healthy” or “FI” and subsequently divided into training, validation, and testing datasets. The ResNet-18 convolutional neural network model was employed for image classification, utilizing PyTorch for preprocessing and model training, with CrossEntropyLoss and the AdamW optimizer for loss function training and learning rate optimization.
The results demonstrated that the ResNet-18 model achieved an impressive accuracy of 96.47% in classifying healthy versus FI molars on the testing set. This high level of accuracy indicates the model’s effectiveness for this specific imaging classification task. The findings suggest that the developed deep learning algorithm could serve as a valuable supplemental tool in the detection and management of periodontal diseases, enhancing diagnostic capabilities in dental practice.
Introduction
The introduction of this research paper outlines the significant role of artificial intelligence (AI) in various fields, particularly emphasizing its applications in medical imaging and diagnostics. AI, defined as the capability of machines to replicate human intelligence, has shown remarkable efficacy through convolutional neural networks (CNNs) in tasks such as object recognition and decision-making. In radiology, AI has been effectively utilized for disease detection, including conditions like pulmonary nodules and coronary artery calcification. The dental sector has also seen promising advancements, with studies validating AI’s accuracy in diagnosing dental issues such as caries and alveolar bone loss.
The paper specifically addresses furcation involvement (FI), a critical indicator of periodontal disease that complicates treatment outcomes. Traditional diagnostic methods, including periodontal probing and X-ray examinations, face challenges such as accessibility and variability in operator experience, which can hinder accurate diagnosis. Despite the potential of deep learning in detecting molar FI, research in this area remains limited. This study aims to develop and train a deep learning algorithm to enhance the diagnostic precision of mandibular molar FI, ultimately aiming to improve clinical decision-making and therapeutic outcomes for patients with periodontal disease.
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 encompasses the protocols for data collection, including any statistical analyses applied to interpret the results.
Additionally, the section may describe the experimental setup, including control conditions and the rationale behind the chosen methods. It is crucial for establishing the validity of the findings, as it allows for critical evaluation and replication by other researchers in the field. Overall, this section serves as a foundation for understanding how the study’s conclusions were drawn from the collected data.
Results
In the results section, the model’s training process demonstrated effective learning, as evidenced by a consistent decrease in training loss from 0.6356 in the first epoch to 0.2740 by the 13th epoch. Validation loss also showed improvement, initially rising to 0.4868 at the sixth epoch before declining to 0.2035 by the 12th epoch. The training concluded at the 15th epoch due to an early stopping mechanism, with training and validation accuracies increasing by 25.36% and 28.05%, respectively.
The evaluation of the ResNet-18 model involved classifying batches of images, with correct predictions highlighted in green and incorrect ones in red. All evaluation metrics for the testing dataset surpassed 95%, and the model’s ability to differentiate between healthy and FI classes was quantified using the ROC curve, yielding an area under the ROC curve (AUROC) of 0.99, indicating exceptional discriminatory performance. A confusion matrix analysis revealed only three misclassifications: one healthy image misidentified as FI and two FI images misclassified as healthy, underscoring the model’s overall accuracy.
Discussion
The study conducted at East Carolina University School of Dental Medicine from July 2011 to October 2023 aimed to enhance the identification of furcation involvement (FI) in mandibular molars using a deep learning algorithm, specifically ResNet-18. The research involved a comprehensive dataset comprising diagnostic-quality full mouth series (FMXs) and periapical radiographs, which were meticulously annotated and segmented into training, validation, and testing sets. The model achieved an impressive accuracy of 96.47% in detecting FI, surpassing previous studies that utilized different methodologies. This underscores the potential of artificial intelligence (AI) in improving periodontal diagnostics, particularly in challenging cases where traditional clinical and radiographic assessments may fall short.
Despite the promising results, the study highlighted the complexities involved in accurately diagnosing FI, as evidenced by three misclassifications in the testing dataset. These misclassifications were attributed to subtle radiographic features that closely resembled healthy teeth, emphasizing the multifactorial nature of disease diagnosis that extends beyond imaging alone. The authors suggest that future research should incorporate more challenging cases and expand the model’s capabilities to include maxillary molar FI detection, which presents additional diagnostic challenges due to anatomical obscurations. While the findings advocate for the integration of AI in dental diagnostics, they also caution against over-reliance on AI tools, particularly among novice clinicians, advocating for a balanced approach that combines AI assistance with clinical expertise.