DOI: https://doi.org/10.1007/s00784-024-06009-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39570431
تاريخ النشر: 2024-11-21
المؤلف: Mohamed Slim وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تهدف هذه الدراسة إلى تطوير والتحقق من صحة أداة مدفوعة بالذكاء الاصطناعي (AI) لتقسيم نظام تجويف اللب تلقائيًا في الأضراس السفلية باستخدام صور الأشعة المقطعية المخروطية (CBCT). تم استخدام ما مجموعه 66 مسحًا بالأشعة المقطعية، مقسمة إلى مجموعات تدريب، والتحقق، والاختبار. تم تقييم التقسيمات التي تم إنشاؤها بواسطة الذكاء الاصطناعي من قبل خبير، قام بتصحيح أي أخطاء لإنشاء تقسيمات محسنة بالذكاء الاصطناعي (R-AI). وجدت الدراسة أن الأداة المدفوعة بالذكاء الاصطناعي حققت معامل تشابه دايس (DSC) بنسبة 88% ± 7% للأضراس الأولى و90% ± 6% للأضراس الثانية، مع مسافة هاوسدورف (HD) أقل بكثير بنسبة 95% للتقسيم المدفوع بالذكاء الاصطناعي مقارنة بالطرق اليدوية. بالإضافة إلى ذلك، كان التقسيم المدفوع بالذكاء الاصطناعي أكثر كفاءة من حيث الوقت، حيث استغرق في المتوسط 4.3 ± 2 ثانية، مقارنة بـ 2349 ± 444 ثانية للتقسيم اليدوي.
تشير النتائج إلى أن الأداة المدفوعة بالذكاء الاصطناعي دقيقة وفعالة، مما يشير إلى إمكانيتها في تعزيز سير العمل في علاج جذور الأسنان من خلال تسهيل إنشاء نماذج ثلاثية الأبعاد دقيقة لنظام تجويف اللب. ومن الجدير بالذكر أن 11 من الأضراس المقسمة لم تتطلب أي تحسين، مما يدل على قدرة الأداة على التقاط الميزات التشريحية المعقدة بدقة. تؤكد الدراسة على أهمية استخدام معلمات اكتساب متنوعة لتحسين قابلية تعميم نموذج الذكاء الاصطناعي، وبالتالي تقليل خطر الإفراط في التكيف. بينما النتائج الأولية واعدة، هناك حاجة إلى مزيد من البحث لتقييم تأثير الأداة على النتائج السريرية ودمجها في إجراءات علاج جذور الأسنان الأقل تدخلاً.
مقدمة
تسلط المقدمة الضوء على التحدي الكبير الذي تطرحه التشريح المعقد لأنظمة قنوات جذور الأسنان، مما يتطلب تقنيات تصوير فعالة لعلاج جذور الأسنان الناجح. مع إجراء 23 مليون إجراء لقنوات الجذور سنويًا في الاتحاد الأوروبي، فإن التصوير الدقيق للهياكل الداخلية للأسنان أمر حاسم للتشخيص وتخطيط العلاج. توفر الأشعة المقطعية المخروطية (CBCT) تصويرًا ثلاثي الأبعاد يعزز فهم التشريح الفكي السني، مما يحسن من اكتشاف الأمراض المتعلقة بعلاج جذور الأسنان ويسهل استراتيجيات علاجية أكثر دقة.
لقد أحدث دمج تقنيات التقسيم المتقدمة، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs)، ثورة في تحليل مسحات الأشعة المقطعية المخروطية من خلال معالجة قيود الطرق التقليدية. هذا التقسيم ضروري لتحديد الميزات التشريحية بدقة، وهو أمر أساسي لخطط العلاج الشخصية، خاصة في الحالات المعقدة. تهدف الدراسة إلى تطوير والتحقق من صحة أداة مدفوعة بالذكاء الاصطناعي لتقسيم نظام تجويف اللب في الأضراس السفلية، مع معالجة تحديات طرق التقسيم التقليدية وفرضية أن الأداة المدفوعة بالذكاء الاصطناعي ستوفر نتائج دقيقة وفعالة.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج.
علاوة على ذلك، قد يتضمن القسم معلومات حول إعداد التجربة، مثل ظروف التحكم، أحجام العينات، والأساليب الإحصائية المستخدمة لتفسير البيانات. هذه المقاربة الشاملة ضرورية للتحقق من النتائج وتسهيل المزيد من البحث في هذا المجال.
نتائج
في تحليل 60 ضرسًا سفليًا مقسومًا، وُجد أن 11 ضرسًا لم تتطلب أي تحسين بعد التقسيم الآلي. أظهر تقييم مقارن لطرق التقسيم اليدوي مقابل التقسيم المدفوع بالذكاء الاصطناعي أن كلا الطريقتين أظهرتا أداءً مشابهًا من حيث التقاطع على الاتحاد (IoU)، معامل تشابه دايس (DSC)، الدقة، والدقة العامة (p > .05). ومن الجدير بالذكر أن طريقة التقسيم المدفوعة بالذكاء الاصطناعي أظهرت أداءً متفوقًا في الاسترجاع وقيم مسافة هاوسدورف (HD) بنسبة 95%، مع دلالة إحصائية (p < .05). أظهرت التمثيلات البصرية أن خريطة التقسيم المدفوعة بالذكاء الاصطناعي عرضت دقة أعلى، تظهر بشكل رئيسي باللون الأخضر، بينما أظهر التقسيم اليدوي المزيد من التباينات، المميزة باللونين الأصفر والأحمر. بالإضافة إلى ذلك، أشار تحليل كفاءة الوقت إلى وجود فرق كبير في أوقات التقسيم، حيث بلغ متوسط التقسيم اليدوي 2349 ± 444 ثانية، مقارنة بـ 4.3 ± 2 ثانية للتقسيم المدفوع بالذكاء الاصطناعي و139 ± 93 ثانية لتقسيم R-AI (p < .05). ومع ذلك، لم يتم العثور على فرق كبير بين طرق الذكاء الاصطناعي وR-AI (p > .05). تؤكد هذه النتائج على مزايا تقسيم الذكاء الاصطناعي من حيث الدقة والكفاءة مقارنة بالطرق اليدوية التقليدية.
مناقشة
تسلط قسم المناقشة في الدراسة الضوء على تطوير وتقييم أداة مدفوعة بالذكاء الاصطناعي لتقسيم نظام تجويف اللب تلقائيًا في الأضراس السفلية باستخدام مسحات الأشعة المقطعية المخروطية (CBCT). التزمت الدراسة بالإرشادات الأخلاقية واستخدمت مجموعة بيانات من 66 مسحًا بالأشعة المقطعية، والتي تم اختيارها بعناية بناءً على معايير إدخال محددة لضمان الجودة والملاءمة. شمل عملية التقسيم بنية من خطوتين من الشبكات العصبية U-Net ثلاثية الأبعاد، محققة مقاييس دقة عالية، بما في ذلك قيم التقاطع على الاتحاد (IoU) بنسبة 80% ± 12 للأضراس الأولى و82% ± 10 للأضراس الثانية، ومعاملات تشابه دايس (DSC) بنسبة 88% ± 7 و90% ± 6، على التوالي. تشير هذه النتائج إلى أن الأداة المدفوعة بالذكاء الاصطناعي تلتقط بفعالية التشريح المعقد لنظام تجويف اللب مع الحد الأدنى من الحاجة إلى تحسين يدوي.
تؤكد الدراسة أيضًا على كفاءة الوقت الكبيرة للطريقة المدفوعة بالذكاء الاصطناعي، التي استغرقت فقط 4.3 ± 2 ثانية للتقسيم، مقارنة بـ 139 ± 93 ثانية لطريقة R-AI و2349 ± 444 ثانية للتقسيم اليدوي. تشير هذه الانخفاضات الملحوظة في الوقت، جنبًا إلى جنب مع الدقة العالية، إلى أن الأداة المدفوعة بالذكاء الاصطناعي يمكن أن تعزز سير العمل في علاج جذور الأسنان من خلال توفير تقسيم موثوق وفعال للهياكل التشريحية المعقدة. ومع ذلك، يعترف المؤلفون بالقيود، بما في ذلك مجموعة البيانات التدريبية الصغيرة نسبيًا والحاجة إلى مزيد من البحث لتقييم أداء الأداة في سيناريوهات سريرية متنوعة، خاصة في وجود عيوب من المواد السنية. بشكل عام، تدعم النتائج إمكانات أدوات تقسيم الذكاء الاصطناعي لتحسين النتائج السريرية في علاج جذور الأسنان.
DOI: https://doi.org/10.1007/s00784-024-06009-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39570431
Publication Date: 2024-11-21
Author(s): Mohamed Slim et al.
Primary Topic: Dental Radiography and Imaging
Overview
This research aimed to develop and validate an artificial intelligence (AI)-driven tool for the automated segmentation of the pulp cavity system in mandibular molars using cone-beam computed tomography (CBCT) images. A total of 66 CBCT scans were utilized, divided into training, validation, and testing sets. The AI-generated segmentations were evaluated by an expert, who refined any inaccuracies to create refined-AI (R-AI) segmentations. The study found that the AI tool achieved a Dice similarity coefficient (DSC) of 88% ± 7% for first molars and 90% ± 6% for second molars, with a significantly lower 95% Hausdorff distance (HD) for AI-driven segmentation compared to manual methods. Additionally, the AI-driven segmentation was markedly more time-efficient, taking an average of 4.3 ± 2 seconds, compared to 2349 ± 444 seconds for manual segmentation.
The findings indicate that the AI-driven tool is both accurate and efficient, suggesting its potential to enhance the endodontic workflow by facilitating the creation of precise 3D models of the pulp cavity system. Notably, 11 of the segmented molars required no refinement, demonstrating the tool’s capability to accurately capture complex anatomical features. The study emphasizes the importance of using diverse acquisition parameters to improve the generalizability of the AI model, thereby reducing the risk of overfitting. While the initial results are promising, further research is necessary to evaluate the tool’s impact on clinical outcomes and its integration into minimally invasive endodontic procedures.
Introduction
The introduction highlights the significant challenge posed by the complex anatomy of tooth root canal systems, which necessitates effective imaging techniques for successful endodontic treatments. With 23 million root canal procedures performed annually in the European Union, accurate visualization of internal tooth structures is critical for diagnosis and treatment planning. Cone-beam computed tomography (CBCT) offers three-dimensional imaging that enhances the understanding of dentomaxillofacial anatomy, thereby improving the detection of endodontic diseases and facilitating more precise treatment strategies.
The integration of advanced segmentation techniques, particularly through Convolutional Neural Networks (CNNs), has revolutionized the analysis of CBCT scans by addressing the limitations of traditional methods. This segmentation is vital for accurately identifying anatomical features, which is essential for personalized treatment plans, especially in complex cases. The study aims to develop and validate an AI-driven tool for the segmentation of the pulp cavity system in mandibular molars, addressing the challenges of traditional segmentation methods and hypothesizing that the AI tool will provide accurate and efficient results.
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, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility of the results.
Furthermore, the section may include information on the experimental setup, such as control conditions, sample sizes, and statistical methods utilized to interpret the data. This comprehensive approach is crucial for validating the findings and facilitating further research in the field.
Results
In the analysis of 60 segmented mandibular molars, it was found that 11 molars required no refinement following automated segmentation. A comparative assessment of manual versus AI segmentation methods revealed that both approaches exhibited similar performance in terms of Intersection over Union (IoU), Dice Similarity Coefficient (DSC), precision, and overall accuracy (p > .05). Notably, the AI segmentation method demonstrated superior performance in recall and 95% Hausdorff Distance (HD) values, with statistical significance (p < .05). Visual representations indicated that the AI segmentation map displayed a higher accuracy, predominantly shown in green, while manual segmentation revealed more discrepancies, marked in yellow and red. Additionally, the time-efficiency analysis indicated a significant difference in segmentation times, with manual segmentation averaging 2349 ± 444 seconds, compared to 4.3 ± 2 seconds for AI-driven segmentation and 139 ± 93 seconds for R-AI segmentation (p < .05). However, no significant difference was found between the AI-driven and R-AI methods (p > .05). These findings underscore the advantages of AI segmentation in both accuracy and efficiency compared to traditional manual methods.
Discussion
The discussion section of the study highlights the development and evaluation of an AI-driven tool for the automatic segmentation of the pulp cavity system in mandibular molars using cone-beam computed tomography (CBCT) scans. The study adhered to ethical guidelines and utilized a dataset of 66 CBCT scans, which were carefully selected based on specific inclusion criteria to ensure quality and relevance. The segmentation process involved a two-step architecture of 3D U-Net neural networks, achieving high accuracy metrics, including Intersection over Union (IoU) values of 80% ± 12 for first molars and 82% ± 10 for second molars, and Dice similarity coefficients (DSC) of 88% ± 7 and 90% ± 6, respectively. These results indicate that the AI tool effectively captures the complex anatomy of the pulp cavity system with minimal need for manual refinement.
The study also emphasizes the significant time efficiency of the AI-driven approach, which required only 4.3 ± 2 seconds for segmentation, compared to 139 ± 93 seconds for the refined AI (R-AI) method and 2349 ± 444 seconds for manual segmentation. This remarkable reduction in time, coupled with high accuracy, suggests that the AI tool can enhance the endodontic workflow by providing reliable and efficient segmentation of complex anatomical structures. However, the authors acknowledge limitations, including the relatively small training dataset and the need for further research to assess the tool’s performance in diverse clinical scenarios, particularly in the presence of artefacts from dental materials. Overall, the findings support the potential of AI-driven segmentation tools to improve clinical outcomes in endodontics.