DOI: https://doi.org/10.1186/s12903-024-03910-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38373931
تاريخ النشر: 2024-02-19
المؤلف: Nor Hidayah Reduwan وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تدرس الدراسة فعالية أربعة نماذج تعلم عميق (DLMs) في تحديد امتصاص الجذر الخارجي (ERR) في أسنان الضواحك المستخرجة، إلى جانب تأثير دمج تقنيات اختيار الميزات (FST) مع هذه النماذج. تم محاكاة ERR على 88 سناً بعمق متفاوت، وتم الحصول على الصور باستخدام التصوير المقطعي المحوسب بالأشعة المخروطية. تشمل النماذج المقارنة غابة عشوائية (RF) وآلة دعم المتجهات (SVM) المدمجة مع مجموعة الهندسة البصرية 16 (VGG) و EfficientNetB4 (EFNET)، بالإضافة إلى نماذج هجينة تدمج FST. تم تقييم مقاييس الأداء مثل دقة التصنيف، ودرجة F1، والدقة، والخصوصية، ومعدل الخطأ.
أشارت النتائج إلى أن نموذج RF + VGG حقق أعلى أداء في تحديد ERR، مع دقة تصنيف بلغت 81.9%، ودقة مرجحة بلغت 83%، ومنطقة تحت المنحنى (AUC) بلغت 96% عند دمجه مع FST. كشفت التحليلات الإحصائية عن اختلافات كبيرة في دقة التنبؤ بين النماذج (p = 0.008). تشير النتائج إلى أنه بينما تظهر جميع DLMs أداءً قابلاً للمقارنة، يمكن أن يعزز دمج FST بشكل كبير فعاليتها في تحديد آفات ERR، مما يشير إلى طريق واعد للأدوات التشخيصية الآلية في تصوير الوجه والفكين.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة للكشف المبكر عن امتصاص الجذر الخارجي (ERR) لمنع الأضرار التقدمية وفقدان الأسنان المحتمل. غالبًا ما يتم تحديد ERR بشكل عرضي أثناء الفحوصات الشعاعية، مع معدل انتشار يُبلغ عنه يصل إلى 28.8%. بينما تُستخدم الأشعة السينية المحيطية بشكل شائع للكشف بسبب دقتها العالية، إلا أن لديها قيودًا، مثل تراكب الصور ثنائية الأبعاد التي يمكن أن تقلل من تقدير مدى ERR. يُلاحظ أن التصوير المقطعي المحوسب بالأشعة المخروطية (CBCT) متفوق لتقييم ثلاثي الأبعاد، على الرغم من أن أداء المراقب وظروف العرض يمكن أن تؤثر على دقة التقييم.
لتحسين تحديد ERR، تستكشف الدراسة تطبيق تقنيات التعلم الآلي (ML) والتعلم العميق (DL)، خاصة من خلال استخدام نماذج مدربة مسبقًا مثل VGG16 و EfficientNetB4. يتم دمج هذه النماذج مع مصنفات مثل غابة عشوائية (RF) وآلة دعم المتجهات (SVM) لتحسين أداء التصنيف. كما تؤكد الدراسة على أهمية تقنيات اختيار الميزات (FST) في تحسين دقة النموذج، مشيرة إلى التطبيقات الناجحة في تصنيفات طبية أخرى. تهدف الدراسة إلى تقييم دقة نماذج التعلم العميق في تحديد ERR وتقييم تأثير FST على أدائها، مما يؤدي في النهاية إلى تطوير أربعة نماذج محسنة لتحسين تصنيف ERR.
طرق
يستعرض قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وأي خصائص ذات صلة قد تؤثر على النتائج. يتم وصف المنهجية بطريقة منهجية، مع تسليط الضوء على التقنيات والبروتوكولات المتبعة لضمان إمكانية تكرار النتائج وموثوقيتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن التحليلات الإحصائية المنفذة، وأحجام العينات، وأي ضوابط تم تنفيذها لتقليل التحيز. يسمح هذا النهج الشامل بفهم واضح لكيفية إجراء البحث ويدعم صحة الاستنتاجات المستخلصة من البيانات.
نتائج
في قسم النتائج، تم تقييم نماذج التصنيف متعددة الفئات، حيث حقق نموذج FS + RF + VGG أعلى مقاييس الأداء: دقة إجمالية بلغت 81.9%، ودقة مرجحة بلغت 83%، ودرجة F1 بلغت 81.9%. كما أظهر هذا النموذج أيضًا معدل خطأ بلغ 18% ومنطقة تحت المنحنى (AUC) بلغت 96%. بالمقابل، أظهر نموذج RF + EFNET أدنى أداء، مع دقة إجمالية بلغت 55.3%، ودقة مرجحة بلغت 61%، ودرجة F1 بلغت 55.3%، إلى جانب معدل خطأ بلغ 45% ومنطقة تحت المنحنى (AUC) بلغت 84%.
سلطت الدراسة الضوء أيضًا على أن نموذج SVM + EFNET شهد أكبر تحسين في الدقة (4.7%) بعد تنفيذ تقنيات اختيار الميزات (FST)، بينما أظهر نموذج SVM + VGG أقل تحسين (1.7%). أظهرت التحليلات الإحصائية باستخدام اختبار كروسكال-واليس اختلافًا كبيرًا في الدقة بين النماذج (H(7) = 19.119; p = 0.008)، مع كشف اختبار دن بعد ذلك عن اختلافات كبيرة فقط بين RF + EFNET و FS + RF + VGG (p < 0.05). ومع ذلك، لم يتم العثور على اختلافات كبيرة في دقة التصنيف بين النماذج قبل وبعد FST، كما أكدت اختبارات t المستقلة. تم تلخيص دقة التنبؤ بصريًا في مصفوفات ارتباك 4 × 4.
مناقشة
تحققت الدراسة من تأثير تقنيات اختيار الميزات (FST) على أداء نماذج التعلم العميق (DLMs) في تصنيف آفات امتصاص الجذر الخارجي (ERR) باستخدام صور التصوير المقطعي المحوسب بالأشعة المخروطية (CBCT). في البداية، تم إجراء معالجة مسبقة للصورة باستخدام مرشح تعديل التباين المحدود التكيفي (CLAHE)، تلاها التصنيف باستخدام شبكتين عصبيتين عميقتين مدربتين مسبقًا (CNNs)، EfficientNetB4 و VGG16، المدمجتين مع مصنفات غابة عشوائية (RF) وآلة دعم المتجهات (SVM). أدى ذلك إلى تطوير أربعة DLMs، والتي تم تحسينها لاحقًا من خلال FST، مما أسفر عن أربعة نماذج إضافية. استخدمت الدراسة مجموعة بيانات من 88 ضاحكًا مستخرجًا، مع معايير اختيار دقيقة لضمان سلامة العينات.
كشفت النتائج أن DLMs أظهرت قدرات واعدة في تحديد آفات ERR، مع تقييم مقاييس الأداء مثل دقة التصنيف، ودرجة F1، والدقة، والخصوصية، ومنطقة تحت المنحنى (AUC). من الجدير بالذكر أن نموذج RF + EFNET أظهر أدنى دقة، وهو ما يُعزى إلى عدم التوافق المحتمل بين مصنف RF وبنية EfficientNetB4. أدى دمج FST إلى تحسين متواضع في الدقة (2-4.7%)، مما يبرز دوره في تعزيز أداء النموذج مع تقليل مخاطر الإفراط في التكيف. على الرغم من القيود التي تفرضها مجموعة بيانات صغيرة، تؤكد الدراسة على إمكانية خوارزميات التعلم العميق في تحليل الصور الطبية الآلية وتقترح طرقًا للبحث المستقبلي، بما في ذلك توسيع مجموعة البيانات والتحقق السريري من النماذج المطورة.
DOI: https://doi.org/10.1186/s12903-024-03910-w
PMID: https://pubmed.ncbi.nlm.nih.gov/38373931
Publication Date: 2024-02-19
Author(s): Nor Hidayah Reduwan et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study investigates the efficacy of four deep learning models (DLMs) in identifying external root resorption (ERR) in extracted premolar teeth, alongside the impact of integrating feature selection techniques (FST) with these models. ERR was simulated on 88 teeth at varying depths, and images were obtained using Cone Beam CT. The models compared include Random Forest (RF) and Support Vector Machine (SVM) combined with Visual Geometry Group 16 (VGG) and EfficientNetB4 (EFNET), as well as hybrid models that incorporate FST. Performance metrics such as classification accuracy, F1-score, precision, specificity, and error rate were evaluated.
Results indicated that the RF + VGG model achieved the highest performance in ERR identification, with a classification accuracy of 81.9%, weighted accuracy of 83%, and an area under the curve (AUC) of 96% when combined with FST. Statistical analysis revealed significant differences in prediction accuracy among the models (p = 0.008). The findings suggest that while all DLMs exhibit comparable performance, the integration of FST can significantly enhance their effectiveness in identifying ERR lesions, indicating a promising avenue for automated diagnostic tools in maxillofacial imaging.
Introduction
The introduction highlights the critical importance of early detection of external root resorption (ERR) to prevent progressive damage and potential tooth loss. ERR is often identified incidentally during radiographic examinations, with a prevalence rate reported as high as 28.8%. While periapical radiographs are commonly used for detection due to their high resolution, they have limitations, such as the superimposition of two-dimensional images that can underestimate the extent of ERR. Cone Beam Computed Tomography (CBCT) is noted to be superior for three-dimensional evaluation, although observer performance and viewing conditions can affect assessment accuracy.
To enhance the identification of ERR, the study explores the application of machine learning (ML) and deep learning (DL) techniques, particularly through the use of pre-trained models like VGG16 and EfficientNetB4. These models are integrated with classifiers such as Random Forest (RF) and Support Vector Machine (SVM) to improve classification performance. The research also emphasizes the significance of feature selection techniques (FST) in optimizing model accuracy, citing successful applications in other medical classifications. The study aims to evaluate the accuracy of deep learning models in identifying ERR and assess the impact of FST on their performance, ultimately developing four optimized models for enhanced classification of ERR.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and any relevant characteristics that may impact the results. The methodology is described in a systematic manner, highlighting the techniques and protocols followed to ensure reproducibility and reliability of the findings.
Additionally, the section may include information on the statistical analyses performed, sample sizes, and any controls implemented to mitigate bias. This comprehensive approach allows for a clear understanding of how the research was conducted and supports the validity of the conclusions drawn from the data.
Results
In the results section, the multiclass classification models were evaluated, with the FS + RF + VGG model achieving the highest performance metrics: an overall accuracy of 81.9%, weighted accuracy of 83%, and an F1-score of 81.9%. This model also exhibited an error rate of 18% and an area under the curve (AUC) of 96%. Conversely, the RF + EFNET model demonstrated the lowest performance, with an overall accuracy of 55.3%, a weighted accuracy of 61%, and an F1-score of 55.3%, alongside a 45% error rate and an AUC of 84%.
The study further highlighted that the SVM + EFNET model experienced the most significant accuracy improvement (4.7%) following the implementation of feature selection techniques (FST), while the SVM + VGG model showed the least improvement (1.7%). Statistical analysis using the Kruskal-Wallis test indicated a significant difference in accuracy among the models (H(7) = 19.119; p = 0.008), with Dunn’s post-hoc test revealing significant differences only between RF + EFNET and FS + RF + VGG (p < 0.05). However, no significant differences were found in classification accuracy among the models before and after FST, as confirmed by independent t-tests. The prediction accuracies were visually summarized in 4 × 4 confusion matrices.
Discussion
The study investigated the impact of feature selection techniques (FST) on the performance of deep learning models (DLMs) for classifying external root resorption (ERR) lesions using cone beam computed tomography (CBCT) images. Initially, image preprocessing was conducted using the Contrast-Limited Adaptive Histogram Equalization (CLAHE) filter, followed by classification using two pretrained deep convolutional neural networks (CNNs), EfficientNetB4 and VGG16, combined with Random Forest (RF) and Support Vector Machine (SVM) classifiers. This resulted in the development of four DLMs, which were further optimized through FST, yielding four additional models. The study utilized a dataset of 88 extracted premolars, with careful selection criteria to ensure the integrity of the samples.
The findings revealed that the DLMs exhibited promising capabilities in identifying ERR lesions, with performance metrics such as classification accuracy, F1-score, precision, specificity, and area under the curve (AUC) being evaluated. Notably, the model RF + EFNET showed the lowest accuracy, attributed to potential incompatibility between the RF classifier and the EfficientNetB4 architecture. The integration of FST led to a modest improvement in accuracy (2-4.7%), highlighting its role in enhancing model performance while mitigating overfitting risks. Despite the limitations posed by a small dataset, the study underscores the potential of deep learning algorithms in automated medical image analysis and suggests avenues for future research, including dataset expansion and clinical validation of the developed models.