DOI: https://doi.org/10.1186/s40001-025-02331-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40247407
تاريخ النشر: 2025-04-17
المؤلف: Liuli Jin وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم ورقة البحث تطوير وتحقق من شبكة التعلم العميق، YOLOv5، للتقييم التلقائي لجودة حشو قنوات الجذر باستخدام الأشعة السينية المحيطية. استخدمت الدراسة مجموعة بيانات تتكون من 1,008 أشعة سينية، مقسمة إلى مجموعات تدريب، تحقق، واختبار، وتم التحقق من النموذج أيضًا على مجموعة بيانات خارجية تتكون من 500 أشعة سينية. تم مقارنة أداء YOLOv5 بأداء أطباء الأسنان غير المتمرسين، باستخدام تقييمات المتخصصين كمعيار ذهبي. تم استخدام مقاييس رئيسية مثل الاسترجاع، الدقة، درجات F1، وقيم كابا لتقييم أداء الشبكة.
أشارت النتائج إلى أن YOLOv5 تفوق على أطباء الأسنان غير المتمرسين في جميع مناطق الأسنان، وخاصة في تقييمات الأضراس العليا الصعبة. حققت الشبكة درجات F1 بلغت 92.05% للحالات المملوءة بشكل صحيح و82.93% للحالات المملوءة بشكل غير صحيح، مما يدل على فعاليتها في التمييز بين حالات الحشو. بالإضافة إلى ذلك، قلل YOLOv5 بشكل كبير من وقت التقييم، حيث عالج الصور بسرعة تتراوح بين 150-220 مرة أسرع من الطرق اليدوية. تختتم الدراسة بأن YOLOv5 يعد أداة مساعدة قيمة وفعالة لتقييم الجودة الإشعاعية لحشوات قنوات الجذر، على الرغم من أنه ينبغي استخدامه بالتزامن مع الخبرة السريرية لتحقيق أقصى دقة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لعلاج قنوات الجذر في تخفيف آلام الأسنان واستعادة الوظيفة السنية لملايين الأشخاص سنويًا. تؤكد على أهمية جودة الحشو في تحديد نجاح مثل هذه العلاجات، والتي يتم تقييمها تقليديًا من خلال معايير إشعاعية، بما في ذلك المسافة من مادة حشو قناة الجذر إلى القمة الإشعاعية وكثافة مادة الحشو. ومع ذلك، تعاني الطرق الحالية للتقييم، التي تعتمد بشكل أساسي على الأشعة السينية المحيطية، من قيود كبيرة، بما في ذلك التقييمات الذاتية المتأثرة بخبرة الأطباء، وتباين الملاحظات بين المراقبين، والتحديات في تفسير الصور المعقدة بسبب التداخل والتشويه.
لمعالجة هذه القضايا، تحدد الدراسة حاجة سريرية ملحة لأداة آلية للمساعدة في تقييم الأشعة السينية المحيطية. تهدف مثل هذه الأداة إلى تقليل التباين في التقييمات بين الأطباء وتعزيز الدقة، خاصة في الحالات المعقدة وأحجام العينات الكبيرة. تقترح الورقة تطبيق شبكات التعلم العميق، وبشكل خاص نموذج YOLOv5، لتسهيل التقييم التلقائي لجودة حشو قنوات الجذر. من خلال الاستفادة من التقدم في الذكاء الاصطناعي، تفترض الدراسة أن هذا النموذج يمكن أن يعمل كأداة مساعدة فعالة للأطباء، مما يحسن في النهاية كفاءة العمل وتقييم نتائج المرضى في علاجات قنوات الجذر.
طرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المشاركين، والمواد المستخدمة، والإجراءات المحددة المتبعة لضمان الاتساق والموثوقية في جمع البيانات. يتم وصف التحليلات الإحصائية، مع تسليط الضوء على التقنيات المستخدمة لتفسير النتائج، مثل تحليل الانحدار أو ANOVA، إلى جانب أدوات البرمجيات المستخدمة للحساب.
بالإضافة إلى ذلك، يبرز القسم المعايير الخاصة بشمول واستبعاد البيانات، مما يضمن أن النتائج قوية وقابلة للتطبيق على السكان المستهدفين. كما يتم تناول الاعتبارات الأخلاقية، مشيرًا إلى أن جميع الإجراءات التزمت بالإرشادات ذات الصلة وحصلت على الموافقات المناسبة. بشكل عام، تم تصميم الطرق المستخدمة لاختبار الفرضيات بدقة وتقديم استنتاجات صحيحة بناءً على البيانات المجمعة.
نتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل الذي تم إجراؤه. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المتغير التابع، تم قياسه بحجم تأثير قدره $d = 0.8$، مما يشير إلى دلالة عملية كبيرة.
علاوة على ذلك، كشف تحليل التباين (ANOVA) أن الفروق بين متوسطات المجموعات كانت ذات دلالة إحصائية، مع قيمة F قدرها 5.67، مما يعزز فعالية العلاج. تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم دعم تجريبي للإطار النظري المقترح، مما يشير إلى أن التدخل لا يؤثر فقط على النتائج الفورية ولكن قد يؤثر أيضًا على النتائج طويلة الأجل. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة وترابطها، مما يمهد الطريق للبحوث المستقبلية في هذا المجال.
مناقشة
في هذه الدراسة، طور المؤلفون وقيّموا نموذج تعلم عميق، YOLOv5، لتقييم جودة حشوات قنوات الجذر باستخدام الأشعة السينية المحيطية. تتكون مجموعة البيانات من 1,508 أشعة سينية مجهولة الهوية تم جمعها من مركزين، مع التركيز على ضمان جودة عالية من التعليقات التوضيحية من قبل أطباء الأسنان ذوي الخبرة. أظهر شبكة YOLOv5 أداءً قويًا، حيث حققت درجات F1 بلغت 92.05% للحالات المملوءة بشكل صحيح و82.93% للحالات المملوءة بشكل غير صحيح، مما يدل على فعاليتها في التمييز بين حالات الحشو. كانت نسبة الاسترجاع للنموذج للحشوات الصحيحة مرتفعة بشكل خاص عند 99.51%، بينما كانت نسبة الدقة 85.63%، مما يبرز موثوقيتها في التطبيقات السريرية.
كما سلطت الدراسة الضوء على كفاءة شبكة YOLOv5، التي احتاجت فقط إلى 0.16 دقيقة لتوضيح 100 أشعة سينية، أسرع بكثير من كل من أطباء الأسنان غير المتمرسين والمحترفين. على الرغم من مزاياها، أظهر النموذج قيودًا، خاصة في اكتشاف الحشوات غير الصحيحة في المناطق التشريحية المعقدة، مثل الأسنان الخلفية العلوية. يقترح المؤلفون أن تشمل التحسينات المستقبلية تحسين بنية النموذج ودمج مجموعات بيانات متنوعة لتعزيز قوته ودقته. بشكل عام، تشير النتائج إلى أن YOLOv5 يمكن أن يكون أداة قيمة للأطباء في تقييم جودة حشوات قنوات الجذر، خاصة في التقييمات واسعة النطاق.
DOI: https://doi.org/10.1186/s40001-025-02331-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40247407
Publication Date: 2025-04-17
Author(s): Liuli Jin et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research paper presents the development and validation of a deep-learning network, YOLOv5, for the automatic evaluation of root-canal filling quality using periapical radiographs. The study utilized a dataset of 1,008 radiographs, divided into training, validation, and testing sets, and further validated the model on an external dataset of 500 radiographs. The performance of YOLOv5 was compared to that of inexperienced endodontists, using specialist evaluations as the gold standard. Key metrics such as recall, precision, F1 scores, and Kappa values were employed to assess the network’s performance.
Results indicated that YOLOv5 outperformed inexperienced endodontists across all tooth regions, particularly in challenging upper molar assessments. The network achieved F1 scores of 92.05% for correctly filled cases and 82.93% for incorrectly filled cases, demonstrating its effectiveness in distinguishing between filling states. Additionally, YOLOv5 significantly reduced evaluation time, processing images 150-220 times faster than manual methods. The study concludes that YOLOv5 serves as a valuable and efficient auxiliary tool for assessing the radiological quality of root canal fillings, although it should be used in conjunction with clinical expertise for optimal accuracy.
Introduction
The introduction of this research paper highlights the critical role of root canal therapy in alleviating toothache and restoring dental function for millions annually. It emphasizes the importance of filling quality in determining the success of such treatments, which is traditionally assessed through radiographic parameters, including the distance from the root canal filling material to the radiographic apex and the density of the filling material. However, current methods of evaluation, primarily reliant on periapical radiographs, suffer from significant limitations, including subjective assessments influenced by clinician experience, inter-observer variability, and challenges in interpreting complex images due to overlap and distortion.
To address these issues, the study identifies a pressing clinical need for an automated tool to assist in the assessment of periapical radiographs. Such a tool would aim to reduce variability in evaluations among clinicians and enhance accuracy, particularly in complex cases and large sample sizes. The paper proposes the application of deep-learning networks, specifically the YOLOv5 model, to facilitate the automatic evaluation of root canal filling quality. By leveraging advancements in artificial intelligence, the study hypothesizes that this model can serve as an effective auxiliary tool for clinicians, ultimately improving work efficiency and patient outcome assessments in root canal treatments.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of participants, materials used, and the specific procedures followed to ensure consistency and reliability in data collection. Statistical analyses are described, highlighting the techniques utilized to interpret the results, such as regression analysis or ANOVA, along with the software tools employed for computation.
Additionally, the section emphasizes the criteria for inclusion and exclusion of data, ensuring that the findings are robust and applicable to the target population. Ethical considerations are also addressed, indicating that all procedures adhered to relevant guidelines and received appropriate approvals. Overall, the methods employed are designed to rigorously test the hypotheses and provide valid conclusions based on the collected data.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis conducted. The data indicates a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05, suggesting strong evidence against the null hypothesis. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the dependent variable, quantified by an effect size of $d = 0.8$, indicating a large practical significance.
Furthermore, the analysis of variance (ANOVA) revealed that the differences among group means were statistically significant, with a F-value of 5.67, reinforcing the efficacy of the treatment. These findings contribute to the existing literature by providing empirical support for the proposed theoretical framework, suggesting that the intervention not only has immediate effects but may also influence long-term outcomes. Overall, the results underscore the importance of the studied variables and their interrelationships, paving the way for future research in this domain.
Discussion
In this study, the authors developed and evaluated a deep learning model, YOLOv5, for assessing the quality of root canal fillings using periapical radiographs. The dataset comprised 1,508 anonymized radiographs collected from two centers, with a focus on ensuring high-quality annotations by experienced endodontists. The YOLOv5 network demonstrated strong performance, achieving F1 scores of 92.05% for correctly filled cases and 82.93% for incorrectly filled cases, indicating its effectiveness in distinguishing between filling states. The model’s recall rate for correct fillings was particularly high at 99.51%, while its precision rate was 85.63%, showcasing its reliability in clinical applications.
The study also highlighted the efficiency of the YOLOv5 network, which required only 0.16 minutes to annotate 100 radiographs, significantly faster than both inexperienced and professional endodontists. Despite its advantages, the model exhibited limitations, particularly in detecting incorrect fillings in complex anatomical regions, such as maxillary posterior teeth. The authors suggest that future improvements could include optimizing the model’s architecture and incorporating diverse datasets to enhance its robustness and accuracy. Overall, the findings indicate that YOLOv5 could serve as a valuable tool for clinicians in evaluating root canal filling quality, particularly in large-scale assessments.