DOI: https://doi.org/10.1186/s12903-025-05577-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39930440
تاريخ النشر: 2025-02-10
المؤلف: Betül Ayhan وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تستكشف هذه الدراسة فعالية نماذج الشبكات العصبية التلافيفية (CNN)، وتحديداً إطار عمل “يو فقط انظر مرة واحدة” (YOLO)، في اكتشاف تسوس الأسنان تحت التعويضات السنية الثابتة (FDPs) باستخدام الأشعة السينية البانورامية. تم استخدام مجموعة بيانات تتكون من 1004 صورة بانورامية من مرضى لديهم FDPs، حيث تم تخصيص 90% للتدريب و10% للاختبار. أظهر نموذج YOLOv7 أداءً قويًا في اكتشاف FDPs، محققًا استرجاعًا قدره 0.947، ودقة قدرها 0.966، ومتوسط دقة عامة (mAP) قدره 0.968، ودرجة F1 قدرها 0.956. في اكتشاف التسوس تحت FDPs، حقق YOLOv7 استرجاعًا قدره 0.791 ودرجة F1 قدرها 0.813، بينما أظهر نموذج YOLOv7 + CBAM المحسن مقاييس محسنة مع استرجاع قدره 0.827 ودرجة F1 قدرها 0.830.
تشير النتائج إلى أن نماذج التعلم العميق يمكن أن تحلل بفعالية الأشعة السينية البانورامية لاكتشاف التسوس، مما يقترح قدرتها على تحسين دقة وكفاءة التشخيص في الممارسة السنية. ومع ذلك، تعترف الدراسة بالقيود بسبب الاستخدام الحصري للصور البانورامية، موصية بأبحاث مستقبلية لاستكشاف تقنيات التصوير متعددة الأنماط ومجموعات بيانات أوسع لتعزيز قابلية تطبيق هذه الأدوات التشخيصية المدفوعة بالذكاء الاصطناعي وموثوقيتها في البيئات السريرية.
مقدمة
تناقش مقدمة هذه الورقة البحثية التحديات المرتبطة باكتشاف تسوس الأسنان تحت التعويضات السنية الثابتة (FDPs)، والتي تُستخدم عادةً لعلاج فقدان الأسنان الجزئي. على الرغم من التقدم في المواد والتقنيات السنية، تحدث الفشل غالبًا، بشكل أساسي بسبب التسوس غير المشخص. تعتبر الطرق التشخيصية التقليدية غير كافية لتحديد التسوس تحت التعويضات المثبتة بشكل دائم، مما يستلزم طرق اكتشاف بديلة. يتم تسليط الضوء على الأشعة السينية البانورامية كأداة تصوير خارج الفم تُستخدم بشكل متكرر وتوفر رؤية واسعة للهياكل التشريحية مع جرعة إشعاع منخفضة نسبيًا. ومع ذلك، فإن قيودها، مثل مشاكل الدقة وتداخل العيوب المعدنية، تؤكد على الحاجة إلى طرق تشخيصية أكثر حساسية.
تؤكد الورقة على الأهمية المتزايدة لأنظمة التشخيص المدعومة بالحاسوب، وخاصة تلك التي تستخدم الذكاء الاصطناعي (AI) وتقنيات التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs). يُلاحظ أن خوارزمية YOLOv7، وهي تقدم حديث في عائلة YOLO، معروفة بدقتها وسرعتها المحسنتين في اكتشاف الأجسام داخل الصور. تهدف الدراسة إلى تقييم فعالية هذه النماذج في اكتشاف التسوس تحت FDPs باستخدام الأشعة السينية البانورامية، مع فرضية العدم التي تفترض أن هذه الخوارزميات الذكية لن تحسن بشكل كبير من فعالية الاكتشاف. تسعى هذه الأبحاث إلى تعزيز الممارسات السريرية من خلال تزويد أطباء الأسنان بأدوات متقدمة لاكتشاف التسوس.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتفصيل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الطرق الإحصائية، البروتوكولات التجريبية، وأي أدوات حسابية مستخدمة.
بالإضافة إلى ذلك، قد يصف القسم طرق أخذ العينات، الضوابط المطبقة، والمعايير الخاصة بإدراج أو استبعاد نقاط البيانات. يضمن هذا النهج الشامل أن تكون النتائج قوية ويمكن التحقق منها من قبل باحثين آخرين في هذا المجال. بشكل عام، فإن وضوح وصحة الطرق أمران حاسمان لمصداقية نتائج الدراسة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، موضحًا نتائج التجارب التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على فعالية الطريقة المقترحة، موضحة تحسينات على الأساليب الحالية من حيث الدقة والكفاءة.
علاوة على ذلك، تشمل النتائج تمثيلات رسومية توضح الاتجاهات الملاحظة في البيانات، مما يعزز الاستنتاجات المستخلصة. كما تحدد التحليلات ظروفًا معينة تؤدي إلى أداء مثالي للطريقة المقترحة، مما يوفر رؤى قيمة للبحوث والتطبيقات المستقبلية في هذا المجال. بشكل عام، تساهم النتائج في المعرفة الحالية وتقترح مسارات محتملة لمزيد من الاستكشاف.
مناقشة
في هذه الدراسة، تم تقييم فعالية نماذج التعلم العميق، وتحديداً YOLOv7 وإصدار محسّن يتضمن وحدة اهتمام الكتل التلافيفية (CBAM)، لاكتشاف تسوس الأسنان تحت التعويضات السنية الثابتة (FDPs) باستخدام الأشعة السينية البانورامية. تم تحليل مجموعة بيانات تتكون من 1004 صورة بانورامية، مع إجراء عملية تصنيف صارمة من قبل أطباء الأسنان ذوي الخبرة لضمان الدقة. حقق نموذج YOLOv7 مقاييس أداء ملحوظة، بما في ذلك استرجاع قدره 0.791 ودقة قدرها 0.837 لاكتشاف التسوس، بينما حسّن نموذج YOLOv7 + CBAM هذه الدرجات إلى 0.827 و0.834، على التوالي. تدعم هذه النتائج رفض فرضية العدم، مما يشير إلى أن خوارزميات الذكاء الاصطناعي يمكن أن تكتشف التسوس بكفاءة تحت FDPs.
على الرغم من النتائج الواعدة، تعترف الدراسة بالقيود بسبب الاستخدام الحصري للأشعة السينية البانورامية، والتي قد لا توفر نفس الحساسية والتفاصيل مثل الأشعة السينية البايتوينغ. يقترح المؤلفون أن الأبحاث المستقبلية يجب أن تدمج مجموعات بيانات متعددة الأنماط، تجمع بين الصور البانورامية وصور البايتوينغ، لتعزيز دقة التشخيص وقابلية التعميم. بالإضافة إلى ذلك، قد يؤدي دمج عوامل محددة للمرضى في تدريب النموذج إلى تحسين أداء الخوارزميات. بشكل عام، بينما تُظهر الدراسة إمكانيات التعلم العميق في التشخيصات السنية، فإن المزيد من التحقق وطرق التصوير المتنوعة ضرورية للتطبيق السريري.
DOI: https://doi.org/10.1186/s12903-025-05577-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39930440
Publication Date: 2025-02-10
Author(s): Betül Ayhan et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study investigates the effectiveness of convolutional neural network (CNN) models, specifically the You Only Look Once (YOLO) framework, in detecting dental caries beneath fixed dental prostheses (FDPs) using panoramic radiographs. A dataset comprising 1004 panoramic images from patients with FDPs was utilized, with 90% allocated for training and 10% for testing. The YOLOv7 model demonstrated strong performance in detecting FDPs, achieving a recall of 0.947, precision of 0.966, mean average precision (mAP) of 0.968, and an F1 score of 0.956. In detecting caries under FDPs, YOLOv7 attained a recall of 0.791 and an F1 score of 0.813, while the enhanced YOLOv7 + CBAM model showed improved metrics with a recall of 0.827 and an F1 score of 0.830.
The findings indicate that deep learning models can effectively analyze panoramic radiographs for caries detection, suggesting their potential to improve diagnostic accuracy and efficiency in dental practice. However, the study acknowledges limitations due to the exclusive use of panoramic images, recommending future research to explore multimodal imaging techniques and broader datasets to enhance the applicability and reliability of these AI-driven diagnostic tools in clinical settings.
Introduction
The introduction of this research paper discusses the challenges associated with detecting dental caries under fixed dental prostheses (FDPs), which are commonly used to treat partial edentulism. Despite advancements in dental materials and techniques, failures often occur, primarily due to undiagnosed caries. Traditional diagnostic methods are inadequate for identifying caries beneath permanently cemented prostheses, necessitating alternative detection approaches. Panoramic radiography is highlighted as a frequently employed extraoral imaging technique that provides a broad view of anatomical structures with a relatively low radiation dose. However, its limitations, such as resolution issues and the interference of metal artifacts, underscore the need for more sensitive diagnostic methods.
The paper emphasizes the growing importance of computer-aided diagnostic systems, particularly those utilizing artificial intelligence (AI) and deep learning techniques like convolutional neural networks (CNNs). The YOLOv7 algorithm, a recent advancement in the YOLO family, is noted for its improved accuracy and speed in detecting objects within images. The study aims to evaluate the effectiveness of these deep learning models in detecting caries under FDPs using panoramic radiographs, with the null hypothesis positing that these AI algorithms would not significantly improve detection efficacy. This research seeks to enhance clinical practices by providing dentists with advanced tools for caries detection.
Methods
The section on “Materials and Methods” outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods, experimental protocols, and any computational tools utilized.
Additionally, the section may describe the sampling methods, controls implemented, and the criteria for inclusion or exclusion of data points. This comprehensive approach ensures that the findings are robust and can be validated by other researchers in the field. Overall, the clarity and rigor of the methods are crucial for the credibility of the study’s results.
Results
The “Results” section presents the findings of the study, detailing the outcomes of the experiments conducted. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study highlights the effectiveness of the proposed method, demonstrating improvements over existing approaches in terms of accuracy and efficiency.
Furthermore, the results include graphical representations that illustrate the trends observed in the data, reinforcing the conclusions drawn. The analysis also identifies specific conditions under which the proposed method performs optimally, providing valuable insights for future research and applications in the field. Overall, the findings contribute to the existing body of knowledge and suggest potential avenues for further exploration.
Discussion
In this study, the effectiveness of deep learning models, specifically YOLOv7 and an enhanced version incorporating the Convolutional Block Attention Module (CBAM), was evaluated for detecting dental caries beneath fixed dental prostheses (FDPs) using panoramic radiographs. A dataset of 1004 panoramic images was analyzed, with a rigorous labeling process conducted by experienced prosthodontists to ensure accuracy. The YOLOv7 model achieved notable performance metrics, including a recall of 0.791 and precision of 0.837 for caries detection, while the YOLOv7 + CBAM model improved these scores to 0.827 and 0.834, respectively. These findings support the rejection of the null hypothesis, indicating that AI algorithms can efficiently detect caries under FDPs.
Despite the promising results, the study acknowledges limitations due to the exclusive use of panoramic radiographs, which may not provide the same sensitivity and detail as bitewing radiographs. The authors suggest that future research should integrate multimodal datasets, combining both panoramic and bitewing images, to enhance diagnostic accuracy and generalizability. Additionally, incorporating patient-specific factors into model training could further refine the algorithms’ performance. Overall, while the study demonstrates the potential of deep learning in dental diagnostics, further validation and diverse imaging approaches are necessary for clinical application.