DOI: https://doi.org/10.1186/s12903-024-05231-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40025464
تاريخ النشر: 2025-03-01
المؤلف: Ruiyang Ren وآخرون
الموضوع الرئيسي: تقويم الأسنان وطب الأسنان الوجهية
نظرة عامة
هدفت الدراسة إلى تطوير وتقييم نموذج تعلم عميق، BiStageNet، للكشف التلقائي عن dens evaginatus (DE) في الأضراس الصغيرة باستخدام صور داخل الفم. تم استخدام مجموعة بيانات تتكون من 1,400 صورة عالية الجودة لتدريب النموذج، مع 2,128 صورة إضافية تم تصنيفها خصيصًا للكشف عن DE. شملت مقاييس التقييم معامل Dice، الدقة، الحساسية، النوعية، درجة F1، والمساحة تحت منحنى ROC (AUC). أظهر منصة الكشف عن DE الناتجة معامل Dice متوسط قدره 0.961 للتعرف على الأضراس الصغيرة، محققة دقة تشخيصية تبلغ 85.0%، وحساسية 88.0%، ونوعية 82.0%، ودرجة F1 قدرها 0.854، وAUC قدره 0.93. ومن الجدير بالذكر أن الأداة عززت بشكل كبير من نوعية المتدربين في طب الأسنان في تحديد DE، مما أدى إلى تقليل الإيجابيات الكاذبة مع الحفاظ على الحساسية.
في الختام، كان نموذج BiStageNet فعالًا في التعرف على الأضراس الصغيرة وكشف DE بدقة عالية في صور داخل الفم. تظهر منصة الكشف عن DE المطورة وعدًا للتطبيقات السريرية، مما يعود بالنفع على كل من أطباء الأسنان وغير المتخصصين. تسلط الدراسة الضوء على إمكانيات الشبكات العصبية التلافيفية (CNNs) في تحسين معدلات التشخيص المبكر، ودقة التشخيص، وكفاءة العيادات، مما يساهم في تحسين نتائج الصحة الفموية العامة.
مقدمة
تناقش المقدمة dens evaginatus (DE)، وهو شذوذ تطوري في الأسنان يؤثر بشكل أساسي على الأضراس الصغيرة، يتميز بوجود نتوء إضافي يمكن أن يؤدي إلى مضاعفات سريرية كبيرة، بما في ذلك التداخل الإطباقي، وتعرض اللب، وسوء الإطباق. تم الإشارة إلى أن الأبعاد المتوسطة للنتوء تبلغ 2 مم في العرض و3.5 مم في الارتفاع، مع عواقب محتملة شديدة مثل التهاب اللب وموته، خاصة في الأسنان الدائمة غير الناضجة. يتم التأكيد على أن الكشف المبكر عن DE أمر حاسم لكل من العلاج المحافظ والتخطيط التقويمي، حيث يمكن أن تعقد النتوءات المشوهة العلاج وتؤثر على الصحة الفموية.
تسلط الورقة الضوء على الدور المتزايد للذكاء الاصطناعي (AI) في طب الأسنان، وخاصة من خلال الشبكات العصبية التلافيفية (CNNs)، التي أظهرت وعدًا في تحليل الصور الطبية. ومع ذلك، تشير أيضًا إلى القيود في الدراسات الحالية للذكاء الاصطناعي، مثل انحياز اختيار البيانات، ونقص التحليل المقارن مع المهنيين في طب الأسنان، والتحديات في فهم مخرجات الذكاء الاصطناعي. يقترح المؤلفون تطوير منصة تشخيصية مدعومة بالذكاء الاصطناعي تستخدم صور داخل الفم، التي تكون أكثر سهولة من الصور الشعاعية. تهدف الدراسة إلى إنشاء نموذج CNN ذو مرحلتين للكشف عن DE وتطوير منصة سهلة الاستخدام تسهل التشخيص لأطباء الأسنان العامين وغير المتخصصين، مما يحسن من الكشف المبكر ونتائج العلاج للمرضى.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. يتم وصف المنهجية بطريقة منهجية، مع تسليط الضوء على التقنيات المستخدمة في جمع البيانات وتحليلها، مثل الاختبارات الإحصائية أو النماذج الحسابية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، قد يناقش القسم إعداد التجربة، بما في ذلك ظروف التحكم وأي متغيرات تم التلاعب بها خلال الدراسة. تتيح هذه المقاربة الشاملة فهمًا واضحًا لكيفية إجراء البحث، مما يمكّن الباحثين الآخرين من تكرار الدراسة أو البناء على نتائجها. بشكل عام، فإن الصرامة في الطرق المستخدمة أمر حاسم للتحقق من النتائج والاستنتاجات المستخلصة في البحث.
نتائج
في قسم النتائج، تفيد الدراسة بمعامل Dice متوسط قدره 0.961 للتعرف على الأضراس الصغيرة وتقسيمها، مما يشير إلى دقة عالية في هذه المرحلة الأولية. بعد تدريب شبكة عصبية تلافيفية (CNN) للكشف عن مينا الأسنان (DE)، حقق الخوارزمية دقة إجمالية قدرها 85.0%. تم تسجيل الحساسية والنوعية عند 88.0% و82.0%، على التوالي، مع قيمة تنبؤية إيجابية قدرها 83.0% وقيمة تنبؤية سلبية قدرها 87.2%. تم حساب درجة F1 لتكون 0.854، وكانت المساحة تحت المنحنى (AUC) للكشف عن DE 0.930.
بالإضافة إلى ذلك، كشفت استخدام خرائط Grad-CAM الحرارية لتصور انتباه CNN أن الخوارزمية كانت تركز بشكل أساسي على توقيعات النتوءات الموجودة على الأسطح الإطباقية للأضراس الصغيرة خلال عملية الكشف، كما هو موضح في الشكل 3. وهذا يشير إلى أن النموذج يحدد بفعالية الميزات الحرجة ذات الصلة بالكشف عن DE في أسنان الأضراس الصغيرة.
مناقشة
في هذه الدراسة، طورنا نموذج تعلم عميق ذو مرحلتين، BiStageNet، للكشف عن dens evaginatus (DE) في الأضراس الصغيرة باستخدام صور داخل الفم. تتكون مجموعة البيانات من 1,400 صورة عالية الجودة تم جمعها من قسم تقويم الأسنان في مستشفى غرب الصين لطب الأسنان، مع معايير شاملة لضمان جودة الصورة وملاءمتها. استخدمت المرحلة الأولى من النموذج VGG16 للكشف عن الأجسام، مع تحديد مناطق الاهتمام (ROIs) داخل الصور، بينما استخدمت المرحلة الثانية VGG-Lite للتصنيف الثنائي للأضراس الصغيرة كإما صحية أو متأثرة بـ DE. حقق النموذج دقة تشخيصية إجمالية قدرها 85.0%، مع حساسية قدرها 0.880 ومساحة تحت منحنى ROC (AUC) قدرها 0.930، مما يشير إلى فعاليته في تحديد DE.
أظهر التحليل المقارن مع المتدربين في طب الأسنان أن دمج أداتنا المدعومة بالذكاء الاصطناعي حسّن بشكل كبير من نوعية التشخيص مع الحفاظ على حساسية عالية، مما يقلل من خطر التشخيص الخاطئ. تتيح واجهة الأداة سهلة الاستخدام تعديل مناطق الأضراس الصغيرة المكتشفة بسهولة، مما يسهل تطبيقها في الإعدادات السريرية. على الرغم من نتائجها الواعدة، تعترف الدراسة بالقيود، بما في ذلك الحاجة إلى مزيد من تدريب النموذج مع صور إضافية وإمكانية تصنيف النتوءات الطبيعية بشكل خاطئ. يجب أن تستكشف الأبحاث المستقبلية الكشف التلقائي عن DE عبر أنواع الأسنان المختلفة وتحسين النموذج لتعزيز دقة التشخيص. بشكل عام، تشير نتائجنا إلى أن الذكاء الاصطناعي يمكن أن يساعد بشكل كبير في الكشف المبكر عن DE، مما يحسن في النهاية من نتائج الصحة الفموية العامة.
DOI: https://doi.org/10.1186/s12903-024-05231-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40025464
Publication Date: 2025-03-01
Author(s): Ruiyang Ren et al.
Primary Topic: Orthodontics and Dentofacial Orthopedics
Overview
The study aimed to develop and assess a deep learning model, BiStageNet, for the automatic detection of dens evaginatus (DE) in premolars using orthodontic intraoral photographs. A dataset of 1,400 high-quality images was utilized for training the model, with an additional 2,128 images labeled specifically for DE detection. The evaluation metrics included the Dice coefficient, accuracy, sensitivity, specificity, F1-score, and the area under the ROC curve (AUC). The resulting DE detection platform demonstrated a mean Dice coefficient of 0.961 for premolar recognition, achieving a diagnostic accuracy of 85.0%, sensitivity of 88.0%, specificity of 82.0%, an F1 Score of 0.854, and an AUC of 0.93. Notably, the tool significantly enhanced the specificity of dental interns in identifying DE, thereby reducing false positives while maintaining sensitivity.
In conclusion, the BiStageNet model effectively recognized premolars and detected DE with high accuracy in intraoral photographs. The developed DE detection platform shows promise for clinical applications, benefiting both dentists and nonspecialists. The study highlights the potential of convolutional neural networks (CNNs) to improve early diagnosis rates, diagnostic accuracy, and clinical efficiency, ultimately contributing to better public oral health outcomes.
Introduction
The introduction discusses dens evaginatus (DE), a developmental dental anomaly primarily affecting premolars, characterized by an accessory cusp that can lead to significant clinical complications, including occlusal interference, pulp exposure, and malocclusion. The average dimensions of the tubercle are noted to be 2 mm in width and 3.5 mm in height, with potential severe consequences such as pulp inflammation and necrosis, particularly in immature permanent teeth. The timely detection of DE is emphasized as crucial for both conservative treatment and orthodontic planning, as malformed cusps can complicate treatment and affect oral health.
The paper highlights the increasing role of artificial intelligence (AI) in dentistry, particularly through convolutional neural networks (CNNs), which have shown promise in medical image analysis. However, it also points out limitations in existing AI studies, such as data selection bias, lack of comparative analysis with dental professionals, and challenges in understanding AI outputs. The authors propose the development of an AI-assisted diagnostic platform utilizing intraoral photographs, which are more accessible than radiological images. The study aims to create a two-stage CNN model for detecting DE and to develop a user-friendly platform that facilitates diagnosis for general dentists and non-specialists, thereby improving early detection and treatment outcomes for patients.
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 systematic manner, highlighting the techniques for data collection and analysis, such as statistical tests or computational models applied to interpret the results.
Additionally, the section may discuss the experimental setup, including control conditions and any variables manipulated during the study. This comprehensive approach allows for a clear understanding of how the research was conducted, enabling other researchers to replicate the study or build upon its findings. Overall, the rigor in the methods employed is crucial for validating the results and conclusions drawn in the research.
Results
In the results section, the study reports a mean Dice coefficient of 0.961 for premolar recognition and segmentation, indicating high accuracy in this initial stage. Following the training of a convolutional neural network (CNN) for dental enamel (DE) detection, the algorithm achieved an overall accuracy of 85.0%. The sensitivity and specificity were recorded at 88.0% and 82.0%, respectively, with a positive predictive value of 83.0% and a negative predictive value of 87.2%. The F1-Score was calculated to be 0.854, and the area under the curve (AUC) for DE detection was 0.930.
Additionally, the use of Grad-CAM heatmaps for visualizing the CNN’s attention revealed that the algorithm primarily focused on the tubercle signatures located on the occlusal surfaces of the premolars during the detection process, as illustrated in Figure 3. This suggests that the model effectively identifies critical features relevant to DE detection in premolar teeth.
Discussion
In this study, we developed a two-stage deep learning model, BiStageNet, to detect dens evaginatus (DE) in premolars using intraoral images. The dataset comprised 1,400 high-quality images collected from the Department of Orthodontics at West China Hospital of Stomatology, with strict inclusion criteria to ensure image quality and relevance. The model’s first stage utilized VGG16 for object detection, identifying regions of interest (ROIs) within the images, while the second stage employed VGG-Lite for binary classification of premolars as either healthy or affected by DE. The model achieved an overall diagnostic accuracy of 85.0%, with a sensitivity of 0.880 and an area under the ROC curve (AUC) of 0.930, indicating its effectiveness in identifying DE.
The comparative analysis with dental interns demonstrated that the integration of our AI tool significantly improved diagnostic specificity while maintaining high sensitivity, thus reducing the risk of misdiagnosis. The tool’s user-friendly interface allows for easy adjustment of detected premolar regions, facilitating its application in clinical settings. Despite its promising results, the study acknowledges limitations, including the need for further model training with additional images and the potential for misclassification of normal cusps. Future research should explore the automatic detection of DE across various tooth types and refine the model to enhance diagnostic precision. Overall, our findings suggest that AI can substantially aid in the early detection of DE, ultimately improving public oral health outcomes.