DOI: https://doi.org/10.1186/s12903-024-03928-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38291396
تاريخ النشر: 2024-01-30
المؤلف: Kazuma Kokomoto وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم ورقة البحث طريقة تلقائية جديدة لحساب العمر السني باستخدام الأشعة السينية البانورامية وتقنيات التعلم العميق، مع معالجة قيود الطرق اليدوية التقليدية. استخدمت الدراسة مجموعة بيانات تضم 8,023 صورة بانورامية لتدريب نموذج Scaled-YOLOv4 لاكتشاف الجراثيم السنية، محققة دقة متوسطة تبلغ 98.26%. بالإضافة إلى ذلك، تم استخدام EfficientNetV2 M لتصنيف مراحل تطور 18,485 صورة لجراثيم سنية ذات جذر واحد و16,313 صورة لجراثيم سنية متعددة الجذور، محققة دقة في المراتب الثلاثة الأولى تبلغ 98.46% و98.36% على التوالي. تم تقييم طرق مختلفة، بما في ذلك الاختيار الفردي، والمتوسط المرجح، والقيمة المتوقعة، لتحويل احتمالات التصنيف إلى تقديرات للعمر السني.
أشارت النتائج إلى أن طريقة المتوسط المرجح قدمت أكثر حسابات العمر السني دقة، مع متوسط أخطاء مطلقة قدرها 0.261، وهو ما يعتبر مقبولاً سريرياً ويظهر أقل من خطأ في مرحلة تطور واحدة مقارنة بالحسابات اليدوية. تؤكد هذه الدراسة على إمكانيات نهج التعلم العميق ذي المرحلتين لتعزيز كفاءة ودقة تقييم العمر السني، مما يسهل تحسين تخطيط العلاج في طب الأسنان للأطفال وتقويم الأسنان.
مقدمة
تؤكد مقدمة ورقة البحث هذه على أهمية تقييم النمو والتطور لدى الأطفال من أجل تشخيص فعال وعلاج في تقويم الأسنان وطب الأسنان للأطفال. تميز بين العمر الزمني، الذي يعتمد على تاريخ ميلاد الطفل، والعمر السني، الذي يعكس تطور الأسنان ويمكن أن يختلف بشكل كبير بين الأفراد. هذه التفرقة ضرورية لتحديد توقيت التدخلات التقويمية، حيث يوفر العمر السني رؤى أكثر تخصيصًا حول حالة تطور الطفل.
تستعرض الورقة طرقًا مختلفة لحساب العمر السني، بما في ذلك الطرق الشكلية، والبيوكيميائية، والإشعاعية، مع التركيز بشكل خاص على مزايا الطرق الإشعاعية بسبب طبيعتها غير الغازية. ومع ذلك، فإن العمليات اليدوية الحالية لتقدير العمر السني تستغرق وقتًا طويلاً، حيث تتراوح في المتوسط حوالي 10 دقائق لكل مريض، مما يطرح تحديات في البيئات السريرية. لمعالجة هذه الكفاءات، تقترح الدراسة طريقة جديدة لحساب العمر السني تلقائيًا باستخدام الأشعة السينية البانورامية ونهج التعلم العميق ذي المرحلتين الذي يدمج اكتشاف الكائنات وتصنيف الصور. تهدف الأبحاث إلى تقييم دقة هذه الطريقة المدفوعة بالذكاء الاصطناعي مقابل الحسابات اليدوية للخبراء، مما يسد الفجوة بين التقنيات التقليدية والتقدم التكنولوجي الحديث في تقييم العمر السني.
طرق
تستعرض قسم “الطرق” في ورقة البحث المواد والأساليب المستخدمة في الدراسة. توضح معايير اختيار المواد المستخدمة، بما في ذلك أي خصائص محددة كانت ضرورية للتصميم التجريبي. كما يصف القسم إعداد التجربة، بما في ذلك المعدات والتقنيات المستخدمة لجمع البيانات، بالإضافة إلى البروتوكولات المتبعة لضمان موثوقية وصدق النتائج.
بالإضافة إلى ذلك، يتم تحديد الطرق المستخدمة لتحليل البيانات، بما في ذلك أي اختبارات إحصائية أو نماذج حسابية تم تطبيقها لتفسير النتائج. هذا القسم حاسم لتكرار الدراسة وفهم سياق النتائج، حيث يوفر نظرة شاملة على الإجراءات التي تدعم استنتاجات البحث.
نتائج
تظهر نتائج الدراسة فعالية كاشف الجراثيم، وبشكل خاص نموذج Scaled-YOLOv4 P6، الذي حقق دقة اكتشاف تبلغ 98.26% عند عتبة AP 50 مع حجم صورة مدخل قدره 1280 × 1280 بكسل. نجح النموذج في اكتشاف الجراثيم السنية في ظروف مختلفة، بما في ذلك تلك التي تحتوي على أسنان مفقودة منذ الولادة، وحافظ على أداء متسق عبر حالات الأسنان الأولية المختلفة مثل الصحية، والتسوس، وأنواع مختلفة من الحشوات. ومع ذلك، تم ملاحظة بعض حالات فشل الاكتشاف، كما هو موضح في الأشكال المقدمة.
تم تقييم أداء مصنف الجراثيم بشكل أكبر من خلال التحقق المتقاطع 5 مرات، مما أسفر عن دقة تصنيف في المرتبة الأولى تبلغ 68.31% للجراثيم السنية ذات الجذر الواحد و71.54% للجراثيم السنية متعددة الجذور، مع دقة في المراتب الثلاثة الأولى تبلغ 98.46% و98.36% على التوالي. أشارت مصفوفات الالتباس إلى ميل المصنف لتصنيف المراحل بشكل خاطئ كأنها مراحل متجاورة. أكدت تصورات Grad-CAM أن المصنف يمكنه التعرف على أشكال الجراثيم السنية بشكل مشابه للخبراء البشريين. بالإضافة إلى ذلك، تم تحليل متوسط الأخطاء المطلقة في حسابات العمر السني بين التقييمات التلقائية واليدوية، مما كشف أن طريقة المتوسط المرجح تفوقت على الطرق الأخرى في تحويل احتمالات مرحلة التطور للجراثيم السنية إلى عمر سنّي.
مناقشة
في هذه الدراسة، طورنا نظامًا لحساب العمر السني تلقائيًا باستخدام نهج التعلم العميق ذي المرحلتين، محققين دقة متوسطة مرتفعة (AP 50) تزيد عن 98% لاكتشاف الجراثيم السنية باستخدام Scaled-YOLOv4 P6. تم تدريب النموذج على مجموعة بيانات كبيرة تضم 8,023 صورة بانورامية، والتي شملت مراحل مختلفة من الأسنان. تم اختيار طريقة اكتشاف الكائنات بدلاً من التقسيم الدلالي بسبب فعاليتها في التعامل مع الكائنات المتداخلة، وهو أمر شائع في الصور السنية. على الرغم من دقة الاكتشاف العالية، فإن تصنيف مراحل التطور باستخدام EfficientNetV2-M أسفر عن دقة في المرتبة الأولى تبلغ حوالي 70%، مما يشير إلى تحديات في تمييز المراحل المتجاورة بسبب التشابهات الشكلية.
أظهر حساب العمر السني التلقائي متوسط خطأ مطلق قدره 0.261 سنة عند مقارنته بالحسابات اليدوية من قبل أطباء الأسنان للأطفال، مما يشير إلى أن النظام مقبول سريرياً. لا توفر هذه الطريقة بديلاً سريعًا للتقييمات اليدوية فحسب، بل لديها أيضًا القدرة على تعزيز دقة التشخيص من خلال التعاون بين الذكاء الاصطناعي والبشر. تشمل القيود حجم مجموعة التدريب الصغيرة نسبيًا وغياب البيانات الوصفية، التي يمكن أن تُعلم المزيد من التحسينات في النموذج. قد تتضمن الأعمال المستقبلية توسيع مجموعة البيانات ودمج بيانات وصفية إضافية لتحسين قابلية تطبيق النموذج في بيئات سريرية متنوعة. بشكل عام، تؤسس نتائجنا معيارًا جديدًا لطرق حساب العمر السني، مع آثار على كل من طب الأسنان للأطفال وتقويم الأسنان.
DOI: https://doi.org/10.1186/s12903-024-03928-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38291396
Publication Date: 2024-01-30
Author(s): Kazuma Kokomoto et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research paper presents a novel automatic method for calculating dental age using panoramic radiographs and deep learning techniques, addressing the limitations of traditional manual methods. The study utilized a dataset of 8,023 panoramic radiographs to train the Scaled-YOLOv4 model for detecting dental germs, achieving a mean average precision of 98.26%. Additionally, EfficientNetV2 M was employed to classify the developmental stages of 18,485 single-root and 16,313 multi-root dental germ images, yielding Top-3 accuracies of 98.46% and 98.36%, respectively. Various approaches, including single selection, weighted average, and expected value, were evaluated to convert classification probabilities into dental age estimates.
The results indicated that the weighted average method provided the most accurate dental age calculations, with mean absolute errors of 0.261, which is clinically acceptable and demonstrates less than one developmental stage error compared to manual calculations. This study underscores the potential of a two-stage deep learning approach to enhance the efficiency and accuracy of dental age assessment, facilitating improved treatment planning in pediatric and orthodontic dentistry.
Introduction
The introduction of this research paper emphasizes the importance of assessing growth and development in children for effective diagnosis and treatment in orthodontics and pediatric dentistry. It distinguishes between chronological age, which is based on a child’s birth date, and dental age, which reflects the development of teeth and can vary significantly among individuals. This differentiation is crucial for determining the timing of orthodontic interventions, as dental age provides more personalized insights into a child’s developmental status.
The paper outlines various methods for calculating dental age, including morphological, biochemical, and radiological approaches, with a particular focus on the advantages of radiological methods due to their non-invasive nature. However, the current manual processes for estimating dental age are time-consuming, averaging around 10 minutes per patient, which poses challenges in clinical settings. To address these inefficiencies, the study proposes a novel automatic dental age calculation method utilizing panoramic radiographs and a two-stage deep learning approach that integrates object detection and image classification. The research aims to evaluate the accuracy of this AI-driven method against expert manual calculations, thereby bridging the gap between traditional techniques and modern technological advancements in dental age assessment.
Methods
The “Methods” section of the research paper outlines the materials and methodologies employed in the study. It details the selection criteria for the materials used, including any specific characteristics that were essential for the experimental design. The section also describes the experimental setup, including the equipment and techniques utilized to collect data, as well as the protocols followed to ensure the reliability and validity of the results.
Additionally, the methods employed for data analysis are specified, including any statistical tests or computational models applied to interpret the findings. This section is crucial for replicating the study and understanding the context of the results, as it provides a comprehensive overview of the procedures that underpin the research conclusions.
Results
The results of the study demonstrate the efficacy of the germ detector, specifically the Scaled-YOLOv4 P6 model, which achieved a detection accuracy of 98.26% at an AP 50 threshold with an input image size of 1280 × 1280 pixels. The model successfully detected dental germs in various conditions, including those with congenitally missing teeth, and maintained consistent performance across different primary tooth conditions such as healthy, caries, and various types of fillings. However, some instances of detection failure were noted, as illustrated in the provided figures.
The germ classifier’s performance was further evaluated through 5-fold cross-validation, yielding Top-1 classification accuracies of 68.31% for single-root and 71.54% for multi-root dental germs, with Top-3 accuracies of 98.46% and 98.36%, respectively. Confusion matrices indicated a tendency for the classifier to misclassify stages as adjacent stages. Grad-CAM visualizations confirmed that the classifier could recognize dental germ shapes similarly to human experts. Additionally, the mean absolute errors in dental age calculations between automatic and manual assessments were analyzed, revealing that the weighted average method outperformed other approaches in converting the developmental stage probabilities of dental germs to dental age.
Discussion
In this study, we developed an automatic dental age calculation system utilizing a two-stage deep learning approach, achieving a high average precision (AP 50) of over 98% for dental germ detection using Scaled-YOLOv4 P6. The model was trained on a substantial dataset of 8,023 panoramic radiographs, which included various dentition stages. The object detection method was chosen over semantic segmentation due to its effectiveness in handling overlapping objects, which is common in dental images. Despite the high detection accuracy, the classification of developmental stages using EfficientNetV2-M yielded a Top-1 accuracy of approximately 70%, indicating challenges in distinguishing adjacent stages due to morphological similarities.
The automatic dental age calculation demonstrated a mean absolute error of 0.261 years when compared to manual calculations by pediatric dentists, suggesting that the system is clinically acceptable. This method not only provides a rapid alternative to manual assessments but also has the potential to enhance diagnostic accuracy through AI-human collaboration. Limitations include the relatively small size of the training dataset and the absence of metadata, which could inform further refinements in the model. Future work may involve expanding the dataset and incorporating additional metadata to improve the model’s applicability in diverse clinical settings. Overall, our findings establish a new benchmark for dental age calculation methods, with implications for both pediatric and orthodontic dentistry.