DOI: https://doi.org/10.1186/s13005-024-00448-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39223562
تاريخ النشر: 2024-09-02
المؤلف: Beatrice Noeldeke وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تستكشف هذه الدراسة تطبيق الشبكات العصبية التلافيفية (CNNs) لمساعدة أطباء الأسنان ذوي الخبرة المحدودة في اكتشاف العضات المتقاطعة من خلال تحليل الصور الفموية ثنائية الأبعاد. تم استخدام ما مجموعه 676 صورة من 311 مريضًا تقويم الأسنان لتدريب وتقييم ستة هياكل مختلفة من CNN: DenseNet و EfficientNet و MobileNet و ResNet18 و ResNet50 و Xception. كانت مهمة النماذج تصنيف الصور إلى فئات غير عضة متقاطعة مقابل عضة متقاطعة، بالإضافة إلى التمييز بين العضات الجانبية والأمامية.
كشفت النتائج أن نموذج Xception حقق أعلى دقة بنسبة 98.57% لتصنيف ثنائي غير عضة متقاطعة مقابل عضة متقاطعة. ومع ذلك، عندما تم تحدي النماذج للتمييز بين العضات الجانبية والأمامية، انخفضت الدقة العامة، حيث كان أداء DenseNet هو الأفضل بنسبة 91.43%. تشير هذه النتائج إلى أنه بينما تظهر CNNs إمكانات كبيرة في معالجة الصور السريرية وتشخيص سوء الإطباق، قد تعيق تعقيدات التمييز بين أنواع معينة من العضات المتقاطعة حجم العينة المحدود والتحديات التصنيفية المتأصلة. تؤكد الدراسة على وعد الأنظمة المعتمدة على الذكاء الاصطناعي في تعزيز القدرات التشخيصية لممارسي تقويم الأسنان، وخاصة أولئك الذين لديهم خبرة أقل.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الاهتمام المتزايد في استخدام الذكاء الاصطناعي (AI) لتعزيز تشخيص وعلاج تقويم الأسنان. بشكل خاص، تتناول إمكانات الذكاء الاصطناعي لمساعدة أطباء الأسنان وأطباء الأطفال في تشخيص الحاجة بدقة لعلاج تقويم الأسنان، وهي خطوة حاسمة حيث غالبًا ما يبدأ هؤلاء الممارسون إحالات إلى متخصصي تقويم الأسنان. تكشف الدراسات الحالية أن ما يصل إلى 45% من الإحالات الأولية قد تكون غير صحيحة بسبب التطبيق غير السليم لأنظمة المؤشرات الوطنية، مثل مؤشر العلاج التقويمي البريطاني (IOTN) ومجموعة مؤشرات تقويم الأسنان (KIG) في ألمانيا. يمكن أن يؤدي هذا التطبيق غير الصحيح إلى زيادة الضغط على مقدمي الخدمة وقوائم الانتظار الممتدة، مما يشير إلى حاجة ملحة لاستراتيجيات تشخيصية محسنة.
تؤكد الورقة على دور الشبكات العصبية في تحليل الصور، وخاصة في تقويم الأسنان، حيث لا تزال تطبيقات التعلم الآلي غير مستكشفة بشكل كافٍ. بينما أظهر الذكاء الاصطناعي وعدًا في تقييم الازدحام في الصور الفموية وتوقع الحاجة لجراحة تقويم الفك من الصور الشعاعية، هناك نقص ملحوظ في الأبحاث حول استخدام طرق التصوير الأخرى، مثل الصور الفموية والصور الخارجية. تهدف الدراسة إلى تقييم فعالية الشبكات العصبية التلافيفية (CNNs) في اكتشاف العضات المتقاطعة – المصنفة كـ KIG M4 و K4 في النظام الألماني – باستخدام الصور الفموية السريرية. من خلال تدريب ومقارنة عدة CNNs، تسعى البحث إلى تحديد النماذج التي تصنف بدقة العضات الأمامية والجانبية، وبالتالي المساهمة في تطوير أنظمة معتمدة على الذكاء الاصطناعي يمكن أن تساعد الممارسين الأساسيين في اتخاذ قرارات إحالة مستنيرة لعلاج تقويم الأسنان.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تفصل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان قابلية تكرار التجارب. يتم وصف المنهجية بطريقة خطوة بخطوة، مع تسليط الضوء على التقنيات المستخدمة لجمع البيانات وتحليلها، بالإضافة إلى أي طرق إحصائية تم تطبيقها لتفسير النتائج.
تشمل النتائج الرئيسية من الطرق التحقق من إعداد التجربة من خلال التجارب الضابطة واستخدام الاختبارات الإحصائية المناسبة لضمان موثوقية البيانات. يبرز القسم أهمية الصرامة المنهجية في تحقيق نتائج دقيقة وذات مغزى، وهي ضرورية للنقاشات والاستنتاجات اللاحقة التي تم التوصل إليها في الدراسة.
نتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على العلاقات الإحصائية الهامة والاتجاهات الملحوظة في البيانات. تشير النتائج إلى أن الفرضية المقترحة كانت مدعومة، مع وجود ارتباط ملحوظ بين المتغيرات المستقلة والتابعة، تم قياسه بقيمة p أقل من 0.05، مما يشير إلى دلالة إحصائية.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، مثل الرسوم البيانية والمخططات، التي توضح الأنماط الملحوظة وتساعد في فهم النتائج بشكل أوضح. يتم مناقشة النتائج في سياق الأدبيات الحالية، مع التأكيد على آثارها على المجال والتطبيقات المحتملة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة تعزز المعرفة في مجال الدراسة.
مناقشة
في هذه الدراسة، تم استخدام مجموعة بيانات تتكون من 676 صورة من 311 مريضًا لتقييم هياكل مختلفة من الشبكات العصبية التلافيفية (CNN) لتصنيف العضات المتقاطعة في مرضى تقويم الأسنان. تم تنسيق مجموعة البيانات بدقة من الصور السريرية المأخوذة في جامعة آرهوس بين يوليو 2018 ويوليو 2023، مع معايير صارمة للإدراج والاستبعاد لضمان سرية المرضى وملاءمتهم. تم تصنيف الصور على أنها غير عضة متقاطعة، عضة متقاطعة أمامية، أو عضة متقاطعة جانبية، وفقًا لنظام التصنيف الألماني لمؤشرات تقويم الأسنان. تم تدريب النماذج باستخدام تقسيم 90% للتدريب و10% للاختبار، مع استخدام تقنيات تعزيز البيانات لتحسين التعميم وتقليل الإفراط في التكيف.
أشارت النتائج إلى أن جميع النماذج حققت دقة عالية في التمييز بين العضة المتقاطعة وغير العضة المتقاطعة، حيث كان أداء نموذج Xception هو الأفضل بنسبة 98.57%. ومع ذلك، عندما تم تكليفها بالتمييز بين العضات الجانبية والأمامية، أظهرت النماذج دقة منخفضة، حيث حقق DenseNet أعلى دقة بنسبة 91.43%. يُعزى هذا الانخفاض في الأداء إلى تعقيد مهمة التصنيف وحجم العينة المحدود لفئات العضات المتقاطعة. تؤكد النتائج على إمكانات CNNs في تشخيص تقويم الأسنان، وخاصة للتقييمات عن بُعد، مع تسليط الضوء على الحاجة إلى مجموعات بيانات أكبر واستكشاف أنواع سوء الإطباق المختلفة لتعزيز قوة النموذج وقابليته للتطبيق في البيئات السريرية.
DOI: https://doi.org/10.1186/s13005-024-00448-8
PMID: https://pubmed.ncbi.nlm.nih.gov/39223562
Publication Date: 2024-09-02
Author(s): Beatrice Noeldeke et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study investigates the application of convolutional neural networks (CNNs) to assist dentists with limited experience in detecting crossbites through the analysis of 2D intraoral photographs. A total of 676 photographs from 311 orthodontic patients were utilized to train and evaluate six different CNN architectures: DenseNet, EfficientNet, MobileNet, ResNet18, ResNet50, and Xception. The models were tasked with classifying images into non-crossbite versus crossbite categories, as well as further distinguishing between lateral and frontal crossbites.
The findings revealed that the Xception model achieved the highest accuracy of 98.57% for the binary classification of non-crossbite versus crossbite. However, when the models were challenged to differentiate between lateral and frontal crossbites, the overall accuracy decreased, with DenseNet performing best at 91.43%. These results indicate that while CNNs demonstrate significant potential for processing clinical photographs and diagnosing malocclusions, the complexity of distinguishing between specific types of crossbites may be hindered by the limited sample size and inherent classification challenges. The study underscores the promise of AI-based systems in enhancing diagnostic capabilities for orthodontic practitioners, particularly those with less experience.
Introduction
The introduction of this research paper highlights the growing interest in utilizing Artificial Intelligence (AI) to enhance orthodontic diagnosis and treatment planning. Specifically, it addresses the potential of AI to aid dentists and pediatricians in accurately diagnosing the need for orthodontic treatment, a critical step since these practitioners often initiate referrals to orthodontic specialists. Current studies reveal that up to 45% of initial referrals may be incorrect due to improper application of national indication systems, such as the British Index of Orthodontic Treatment Need (IOTN) and the Kieferorthopädische Indikationsgruppe (KIG) in Germany. This misapplication can lead to increased pressure on service providers and extended waiting lists, indicating a pressing need for improved diagnostic strategies.
The paper emphasizes the role of neural networks in image analysis, particularly in orthodontics, where machine learning applications remain underexplored. While AI has shown promise in assessing crowding in intraoral images and predicting the need for orthognathic surgery from cephalograms, there is a notable lack of research on utilizing other imaging modalities, such as intraoral and extraoral photographs. The study aims to evaluate the effectiveness of convolutional neural networks (CNNs) in detecting crossbites—classified as KIG M4 and K4 in the German system—using clinical intraoral photographs. By training and comparing multiple CNNs, the research seeks to identify models that accurately classify frontal and lateral crossbites, thereby contributing to the development of AI-based systems that can assist primary dental practitioners in making informed referral decisions for orthodontic treatment.
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, ensuring reproducibility of the experiments. The methodology is described in a step-by-step manner, highlighting the techniques for data collection and analysis, as well as any statistical methods applied to interpret the results.
Key findings from the methods include the validation of the experimental setup through control experiments and the use of appropriate statistical tests to ensure the reliability of the data. The section emphasizes the importance of methodological rigor in achieving accurate and meaningful results, which are critical for the subsequent discussion and conclusions drawn in the study.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It details the outcomes of various tests, highlighting significant statistical relationships and trends observed in the data. The results indicate that the proposed hypothesis was supported, with a notable correlation between the independent and dependent variables, quantified by a p-value of less than 0.05, suggesting statistical significance.
Additionally, the section includes graphical representations of the data, such as plots and charts, which illustrate the observed patterns and facilitate a clearer understanding of the results. The findings are discussed in the context of existing literature, emphasizing their implications for the field and potential applications. Overall, the results contribute valuable insights that advance knowledge in the area of study.
Discussion
In this study, a dataset comprising 676 photographs from 311 patients was utilized to evaluate various convolutional neural network (CNN) architectures for classifying crossbites in orthodontic patients. The dataset was meticulously curated from clinical photographs taken at Aarhus University between July 2018 and July 2023, with strict inclusion and exclusion criteria to ensure patient anonymity and relevance. The images were labeled as non-crossbite, frontal crossbite, or lateral crossbite, following the German classification system for orthodontic indications. The models were trained using a 90% training and 10% testing split, employing data augmentation techniques to enhance generalization and mitigate overfitting.
The results indicated that all models achieved high accuracy in distinguishing between crossbite and non-crossbite, with the Xception model performing best at 98.57%. However, when tasked with differentiating between lateral and frontal crossbites, the models exhibited reduced accuracy, with DenseNet achieving the highest at 91.43%. This decline in performance is attributed to the complexity of the classification task and the limited sample size for the crossbite categories. The findings underscore the potential of CNNs in orthodontic diagnostics, particularly for remote assessments, while highlighting the need for larger datasets and further exploration of different malocclusion types to enhance model robustness and applicability in clinical settings.