DOI: https://doi.org/10.1186/s12903-024-03896-5
PMID: https://pubmed.ncbi.nlm.nih.gov/38297288
تاريخ النشر: 2024-01-31
المؤلف: Sevda Kurt‐Bayrakdar وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تركزت هذه الدراسة الاستعادية على تطوير خوارزمية تعلم عميق لتفسير الأشعة السينية البانورامية، مستهدفة بشكل خاص الكشف عن فقدان العظام اللثوية وأنماطها. باستخدام مجموعة بيانات تتكون من 1121 صورة بانورامية، قامت الدراسة بتصنيف أنواع مختلفة من فقدان العظام، بما في ذلك فقدان العظام السنخية الكلي (عدد = 2251)، وفقدان العظام بين الأسنان (عدد = 25303)، وعيوب الفركشن (عدد = 2815)، مع تصنيف إضافي لفقدان العظام بين الأسنان إلى فئات أفقية (عدد = 21839) ورأسية (عدد = 3464). تم استخدام شبكة عصبية تلافيفية (CNN) تعتمد على بنية U-Net، وتم تقييم أدائها باستخدام مصفوفات الارتباك وتحليل منحنى ROC.
أشارت النتائج إلى أن الخوارزمية أظهرت أعلى أداء تشخيصي لفقدان العظام السنخية الكلي (AUC = 0.951) وأدنى أداء لفقدان العظام الرأسية (AUC = 0.733). تم الإبلاغ عن قيم الحساسية والدقة ودرجة F1 والدقة والقيم AUC لكل نوع من فقدان العظام، مما يدل على أداء قوي لفقدان العظام السنخية الكلي (الحساسية = 1، AUC = 0.951) وفقدان العظام الأفقي (الحساسية = 0.947، AUC = 0.910)، بينما أظهرت فقدان العظام الرأسية مقاييس أقل (الحساسية = 0.558، AUC = 0.733). تستنتج الدراسة أن أنظمة الذكاء الاصطناعي يمكن أن تحدد بفعالية أنماط فقدان العظام اللثوية وعيوب الفركشن، مما يشير إلى إمكانية استخدامها في تعزيز تقييم شدة مرض اللثة وتخطيط العلاج. وتؤكد على الحاجة إلى مزيد من البحث باستخدام مجموعات بيانات أكبر واستكشاف الأشعة السينية ثنائية وثلاثية الأبعاد لتحسين دقة التشخيص.
مقدمة
تناقش مقدمة ورقة البحث التهاب اللثة، وهو مرض التهابي مزمن يضر الأنسجة الداعمة للأسنان ويمكن أن يؤدي إلى فقدان الأسنان إذا لم يتم علاجه. تسلط الضوء على أهمية التشخيص المبكر وتخطيط العلاج، مع التأكيد على دور التقييمات الشعاعية جنبًا إلى جنب مع التقييمات السريرية. تُستخدم الأشعة السينية داخل الفم، مثل الأشعة السينية القمية والأشعة السينية ذات الأجنحة العضلية، بشكل شائع، ولكن الأشعة السينية البانورامية تقدم مزايا مثل انخفاض التعرض للإشعاع والقدرة على تقييم أنماط فقدان العظام، والتي تعتبر حاسمة لتخطيط العلاج الفعال.
تستعرض الورقة أنواع مختلفة من فقدان العظام المرتبطة بالتهاب اللثة، بما في ذلك فقدان العظام الأفقي والرأسي، بالإضافة إلى عيوب الفركشن في الأسنان متعددة الجذور. فهم هذه الأنماط أمر ضروري لاختيار خيارات العلاج المناسبة، حيث قد تتطلب أنواع مختلفة من فقدان العظام أساليب جراحية متميزة. تلاحظ المقدمة أيضًا أهمية تصنيف أمراض اللثة بدقة بناءً على أنماط فقدان العظام، كما هو محدد في نظام التصنيف لعام 2018. علاوة على ذلك، تسلط الضوء على الدور الناشئ للذكاء الاصطناعي (AI) في طب الأسنان، وخاصة في أتمتة الكشف عن مشاكل اللثة من خلال معالجة الصور وتعلم الآلة. تهدف الدراسة إلى تقييم أداء نظام الذكاء الاصطناعي القائم على شبكة عصبية تلافيفية (CNN) للكشف عن أنماط فقدان العظام اللثوية المختلفة على الأشعة السينية البانورامية باستخدام طرق التقسيم.
الطرق
تستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. توضح تصميم التجارب، بما في ذلك اختيار الموضوعات، والمواد المستخدمة، والبروتوكولات المحددة المتبعة لضمان القابلية للتكرار. تم إجراء تحليلات إحصائية لتقييم دلالة النتائج، باستخدام طرق مثل ANOVA وتحليل الانحدار لتفسير البيانات بدقة.
بالإضافة إلى ذلك، يصف القسم أي نماذج حسابية أو محاكاة تم استخدامها لدعم النتائج، مع تحديد الخوارزميات وحزم البرمجيات المطبقة. تم تصميم المنهجية لمعالجة أسئلة البحث بفعالية، مما يضمن أن النتائج صحيحة وموثوقة، وبالتالي تساهم في قوة استنتاجات الدراسة بشكل عام.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع تأكيد التحليلات الإحصائية على قوة هذه العلاقات. يتم الإبلاغ عن مقاييس محددة، مثل قيم p وفترات الثقة، لدعم الاستنتاجات المستخلصة.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج أو الفرضية المقترحة تتنبأ بفعالية بالظواهر الملحوظة، بدقة عالية. يتم استخدام تمثيلات رسومية، بما في ذلك الرسوم البيانية والجداول، لتوضيح الاتجاهات والأنماط في البيانات، مما يسهل فهمًا أوضح لآثار النتائج. بشكل عام، تؤكد النتائج على أهمية الدراسة في تعزيز المعرفة في هذا المجال وتقترح طرقًا محتملة للبحث المستقبلي.
المناقشة
قدمت الدراسة تحليلًا استعاديًا للأشعة السينية البانورامية لتقييم فعالية نظام الذكاء الاصطناعي في الكشف عن مرض اللثة. أجريت في جامعة إسكي شهير أوسمان غازي، التزمت الدراسة بالإرشادات الأخلاقية وشملت عملية اختيار شاملة للصور، مما يضمن تضمين فقط تلك التي تلبي معايير محددة تتعلق بالتهاب اللثة. تم فحص ما مجموعه 2949 صورة شعاعية في البداية، وتم اختيار 1121 في النهاية للتحليل، مما أسفر عن 30,369 علامة لأنواع مختلفة من فقدان العظام وعيوب الفركشن. كانت عملية التسمية موحدة بين أربعة مراقبين، مما يدل على توافق عالٍ بين المراقبين، مع قيم تقاطع على الاتحاد (IoU) تتجاوز 0.91.
تم تدريب نموذج الذكاء الاصطناعي، المستند إلى بنية U-Net، على مجموعة بيانات كبيرة، محققًا مقاييس أداء ملحوظة. أشارت قيم المنطقة تحت منحنى ROC (AUC) إلى قدرات تشخيصية قوية، خاصة لفقدان العظام السنخية الكلي (AUC = 0.951)، بينما كان الكشف عن فقدان العظام الرأسية أقل فعالية (AUC = 0.733). استنتجت الدراسة أن أنظمة الذكاء الاصطناعي يمكن أن تكون أدوات دعم قرار قيمة لأطباء الأسنان في تشخيص أمراض اللثة، مما يبرز مزايا استخدام تقنيات التقسيم للحصول على رؤى تشخيصية أكثر تفصيلًا مقارنة بأساليب التصنيف التقليدية. تتماشى النتائج مع الأدبيات السابقة، مما يشير إلى أن مجموعات البيانات الأكبر تعزز دقة النموذج، وتؤكد على إمكانية الذكاء الاصطناعي في تعزيز تفسير الأشعة السينية السنية.
DOI: https://doi.org/10.1186/s12903-024-03896-5
PMID: https://pubmed.ncbi.nlm.nih.gov/38297288
Publication Date: 2024-01-31
Author(s): Sevda Kurt‐Bayrakdar et al.
Primary Topic: Dental Radiography and Imaging
Overview
This retrospective study focused on developing a deep learning algorithm for interpreting panoramic radiographs, specifically targeting the detection of periodontal bone losses and their patterns. Utilizing a dataset of 1121 panoramic radiographs, the study labeled various types of bone loss, including total alveolar bone loss (n = 2251), interdental bone losses (n = 25303), and furcation defects (n = 2815), with further classification of interdental losses into horizontal (n = 21839) and vertical (n = 3464) categories. A Convolutional Neural Network (CNN) based on U-Net architecture was employed, and its performance was evaluated using confusion matrices and ROC curve analysis.
The results indicated that the algorithm exhibited the highest diagnostic performance for total alveolar bone losses (AUC = 0.951) and the lowest for vertical bone losses (AUC = 0.733). Sensitivity, precision, F1 score, accuracy, and AUC values were reported for each type of bone loss, demonstrating strong performance for total alveolar (sensitivity = 1, AUC = 0.951) and horizontal losses (sensitivity = 0.947, AUC = 0.910), while vertical losses showed lower metrics (sensitivity = 0.558, AUC = 0.733). The study concludes that AI systems can effectively identify periodontal bone loss patterns and furcation defects, suggesting their potential utility in enhancing periodontal disease severity assessment and treatment planning. It emphasizes the need for further research with larger datasets and the exploration of 2D and 3D radiographs to improve diagnostic accuracy.
Introduction
The introduction of the research paper discusses periodontitis, a chronic inflammatory disease that damages the supporting tissues of teeth and can lead to tooth loss if untreated. It highlights the importance of early diagnosis and treatment planning, emphasizing the role of radiographic evaluations alongside clinical assessments. Intraoral radiographs, such as periapical and bitewing radiographs, are commonly used, but panoramic radiographs offer advantages like low radiation exposure and the ability to assess bone loss patterns, which are critical for effective treatment planning.
The paper outlines different types of bone loss associated with periodontitis, including horizontal and vertical bone losses, as well as furcation defects in multi-rooted teeth. Understanding these patterns is essential for selecting appropriate treatment options, as different types of bone loss may require distinct surgical approaches. The introduction also notes the significance of accurately classifying periodontal diseases based on bone loss patterns, as established in the 2018 classification system. Furthermore, it highlights the emerging role of artificial intelligence (AI) in dentistry, particularly in automating the detection of periodontal issues through image processing and machine learning. The study aims to evaluate the performance of a convolutional neural network (CNN)-based AI system for detecting various periodontal bone loss patterns on panoramic radiographs using segmentation methods.
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 subjects, materials used, and the specific protocols followed to ensure reproducibility. Statistical analyses were conducted to evaluate the significance of the results, employing methods such as ANOVA and regression analysis to interpret the data accurately.
Additionally, the section describes any computational models or simulations utilized to support the findings, specifying the algorithms and software packages applied. The methodology is designed to address the research questions effectively, ensuring that the results are both valid and reliable, thereby contributing to the overall robustness of the study’s conclusions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specific metrics, such as p-values and confidence intervals, are reported to substantiate the conclusions drawn.
Additionally, the results demonstrate that the proposed model or hypothesis effectively predicts the observed phenomena, with a high degree of accuracy. Graphical representations, including charts and tables, are utilized to illustrate trends and patterns in the data, facilitating a clearer understanding of the implications of the findings. Overall, the results underscore the relevance of the study in advancing knowledge within the field and suggest potential avenues for future research.
Discussion
The study presented a retrospective analysis of panoramic radiographs to evaluate the efficacy of an AI system in detecting periodontal disease. Conducted at Eskişehir Osmangazi University, the research adhered to ethical guidelines and involved a comprehensive selection process for images, ensuring that only those meeting specific criteria related to periodontitis were included. A total of 2949 radiographs were initially examined, with 1121 ultimately selected for analysis, resulting in 30,369 labels for various types of bone loss and furcation defects. The labeling process was standardized among four observers, demonstrating high intra-observer and inter-observer agreement, with Intersection over Union (IoU) values exceeding 0.91.
The AI model, based on the U-Net architecture, was trained on a substantial dataset, achieving notable performance metrics. The area under the ROC curve (AUC) values indicated strong diagnostic capabilities, particularly for total alveolar bone loss (AUC = 0.951), while vertical bone loss detection was less effective (AUC = 0.733). The study concluded that AI systems could serve as valuable decision-support tools for dentists in diagnosing periodontal diseases, highlighting the advantages of using segmentation techniques for more detailed diagnostic insights compared to traditional classification methods. The findings align with previous literature, suggesting that larger datasets enhance model accuracy, and underscore the potential of AI in advancing dental radiographic interpretation.