DOI: https://doi.org/10.1186/s40510-026-00606-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41661510
تاريخ النشر: 2026-02-09
المؤلف: Yijiao Fu وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تبحث هذه الدراسة في استخدام تقنيات التعلم العميق للتنبؤ بانزلاق قرص المفصل الصدغي الفكي (TMJ) من صور التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT)، مع معالجة قيود طرق التشخيص الحالية التي تعتمد على الأعراض السريرية والتصوير بالرنين المغناطيسي (MRI). طورت الدراسة نموذج فحص من مرحلتين باستخدام صور CBCT من 330 مريضًا. استخدمت المرحلة الأولى نموذج كشف الكائنات المعتمد على YOLOv11 تم تدريبه على 30 صورة موضحة، حيث نجح في تحديد 5,238 منطقة اهتمام (ROIs) لمفصل TMJ، مع 2,260 تشير إلى انزلاق القرص. تضمنت المرحلة الثانية تدريب نموذج تصنيف ثنائي يعتمد على FastViT-t8، باستخدام نتائج التشخيص بالرنين المغناطيسي من طبيبين أشعة ذوي خبرة كحقيقة أساسية.
حقق نموذج كشف الكائنات مقاييس أداء عالية، بما في ذلك دقة قدرها 0.986 واسترجاع قدره 0.982، بينما أظهر نموذج التصنيف الثنائي منطقة تحت المنحنى (AUC) قدرها 0.733 ودقة قدرها 0.669. على الرغم من أن أداء النموذج الحالي لا يدعم استخدامه كأداة تشخيص مستقلة، إلا أنه يظهر وعدًا كأداة فرز في البيئات التقويمية لتحديد المرضى الذين يحتاجون إلى تقييم إضافي بالرنين المغناطيسي في وقت مبكر. تختتم الدراسة بأن النموذج المقترح يمثل تقدمًا كبيرًا في تقييم انزلاق قرص TMJ المعتمد على CBCT، مع خطط للتحسين والتطبيق في بيئات سريرية متنوعة في المستقبل.
مقدمة
تناقش مقدمة ورقة البحث الدور الحاسم للمفصل الصدغي الفكي (TMJ) في وظائف الفم والوجه والفكين، مع تسليط الضوء على انتشار اضطرابات TMJ (TMD)، وخاصة انزلاق قرص TMJ، في البيئات التقويمية. تم تحديد انزلاق القرص الأمامي (ADD) كأكثر أشكال انزلاق قرص TMJ شيوعًا، والذي يمكن أن يظهر بدون أعراض في بعض الأفراد، مما يعقد التشخيص والإدارة. تشير الورقة إلى انتشار كبير لـ TMD بين المرضى التقويمي، يتراوح من 21.1% إلى 73.3%، وهو أعلى بكثير من عامة السكان. يؤكد المؤلفون على أهمية التقييمات الروتينية لـ TMJ قبل العلاج التقويمي لتحديد المشكلات المحتملة مبكرًا، خاصة في المراهقين خلال مراحل النمو الحرجة.
تتناقض هذه الفقرة أيضًا مع القدرات التشخيصية لمختلف طرق التصوير، وخاصة التصوير بالرنين المغناطيسي لمفصل TMJ (TMJ-MRI) والتصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). بينما يُعتبر TMJ-MRI هو المعيار الذهبي لتشخيص انزلاق قرص TMJ، يتم الاعتراف بحدوده في الممارسة السريرية، مثل إمكانية الوصول ومتطلبات الوقت. من ناحية أخرى، يتم تسليط الضوء على CBCT لمزاياه في التطبيقات التقويمية الروتينية، على الرغم من عدم قدرته على تصور الأنسجة الرخوة مباشرة. تختتم المقدمة بالإشارة إلى الدور الناشئ للتعلم العميق في أتمتة اكتشاف أمراض TMJ من بيانات التصوير، مع التركيز على تطوير طريقة تعتمد على التعلم العميق لتقييم انزلاق قرص TMJ في المرضى التقويمي، مما يعزز استراتيجيات التشخيص المبكر والإدارة.
طرق
تحدد فقرة “طرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. توضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. استخدم الباحثون تنسيق تجربة عشوائية محكومة لضمان موثوقية النتائج، مع إيلاء اهتمام خاص للتحكم في المتغيرات المربكة.
شملت جمع البيانات مقاييس وأدوات موحدة، مما يضمن الاتساق عبر جميع التجارب. تم إجراء التحليل باستخدام برامج إحصائية مناسبة، وتطبيق تقنيات مثل ANOVA وتحليل الانحدار لتفسير النتائج. تؤكد الفقرة على أهمية الصرامة المنهجية في التحقق من النتائج، والتي تسهم في القوة العامة لاستنتاجات الدراسة.
نتائج
تسلط فقرة النتائج في الدراسة الضوء على أداء نماذج YOLOv11 المختلفة في اكتشاف منطقة المفصل الصدغي الفكي (TMJ) وتقارن نماذج التعلم العميق للتنبؤ بانزلاق قرص TMJ. برز نموذج YOLOv11n كنموذج الأفضل أداءً، حيث حقق دقة قدرها 0.986، واسترجاع قدره 0.982، وmAP50 قدره 0.988، وmAP50-95 قدره 0.534، مما يدل على قوته عبر عتبات تقاطع الاتحاد المختلفة (IoU). كما قدم نموذج YOLOv11m أداءً جيدًا، خاصة في mAP50، لكنه أظهر أداءً أقل قليلاً في mAP50-95. بالمقابل، أظهرت نماذج YOLOv11l وYOLOv11x فعالية أقل بشكل عام، حيث اكتشف YOLOv11x معظم الحالات ولكنه أدى إلى المزيد من الإيجابيات الكاذبة.
في تصنيف انزلاق قرص TMJ، تم تحديد FastViT-t8 كنموذج رائد، حيث حقق AUC على مستوى الشريحة قدره 0.733 وAUPR قدره 0.716، متفوقًا على نماذج أخرى مثل Efficient_b1 وMobile-small. تم تأكيد أداء النموذج من خلال دقته الأعلى البالغة 0.669 في مهام التصنيف الثنائي. كشفت تحليل التصور باستخدام خريطة تنشيط الفئة المعتمدة على الوزن التدرجي (Grad-CAM) أن FastViT-t8 ركز على المناطق التشريحية ذات الصلة سريريًا، مما يظهر اتساقًا سريريًا في توقعاته. بالإضافة إلى ذلك، أظهر أقل معدل إيجابيات كاذبة (15.2%) بين النماذج المختبرة، مما يجعله مناسبًا بشكل خاص للفحص الأولي في البيئات السريرية، حيث يوازن بشكل فعال بين الحساسية والخصوصية.
مناقشة
تقدم هذه الدراسة نموذجًا من مرحلتين لتحديد انزلاق قرص المفصل الصدغي الفكي (TMJ) باستخدام مسحات التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT)، مع دمج خوارزمية YOLOv11 لاكتشاف منطقة الاهتمام (ROI) ونموذج تعلم عميق قائم على المحولات للتصنيف. شملت الدراسة 330 مريضًا، مع معايير إدراج صارمة لضمان موثوقية بيانات التصوير. حقق النموذج دقة قدرها 0.986 واسترجاع قدره 0.982 في اكتشاف مناطق TMJ، بينما أسفر مرحلة التصنيف عن منطقة تحت المنحنى (AUC) قدرها 0.733، مما يدل على أداء معتدل في التمييز بين حالات القرص الطبيعية وغير الطبيعية.
تؤكد النتائج على أهمية التقييمات السابقة للعلاج التقويمي لـ TMJ، حيث إن بدء العلاج دون فحص مناسب قد يؤدي إلى تفاقم الحالات الموجودة. بينما يظل الرنين المغناطيسي هو المعيار الذهبي لتشخيص مشكلات TMJ، فإن تكلفته العالية وتعقيده يحدان من إمكانية الوصول إليه. يقدم النموذج المقترح حلاً آليًا بالكامل يعزز كفاءة سير العمل السريري من خلال تقليل الاعتماد على التقسيم اليدوي والميزات المحددة من قبل الخبراء. ومع ذلك، فإن دقة النموذج الحالية تتطلب استخدامه كأداة فحص أولية بدلاً من أداة تشخيص نهائية. يجب أن تركز الأعمال المستقبلية على تحسين قابلية تعميم النموذج ودمج التقييمات السريرية لتقليل الإيجابيات الكاذبة، مما يضمن نهجًا شاملاً لتقييم TMJ.
DOI: https://doi.org/10.1186/s40510-026-00606-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41661510
Publication Date: 2026-02-09
Author(s): Yijiao Fu et al.
Primary Topic: Dental Radiography and Imaging
Overview
This research investigates the use of deep learning techniques to predict temporomandibular joint (TMJ) disc displacement from cone-beam computed tomography (CBCT) images, addressing the limitations of current diagnostic methods that rely on clinical symptoms and magnetic resonance imaging (MRI). The study developed a two-stage screening model utilizing CBCT images from 330 patients. The first stage employed a YOLOv11-based object-detection model trained on 30 annotated images, successfully identifying 5,238 TMJ Regions of Interest (ROIs), with 2,260 indicating disc displacement. The second stage involved training a FastViT-t8-based binary classification model, using MRI diagnostic results from two experienced radiologists as the ground truth.
The object-detection model achieved high performance metrics, including a Precision of 0.986 and a Recall of 0.982, while the binary classification model demonstrated an area under the curve (AUC) of 0.733 and an accuracy of 0.669. Although the model’s current performance does not support standalone diagnostic use, it shows promise as a triage tool in orthodontic settings for early identification of patients needing further MRI evaluation. The study concludes that the proposed model represents a significant advancement in CBCT-based TMJ disc displacement assessment, with plans for future optimization and application in diverse clinical environments.
Introduction
The introduction of the research paper discusses the critical role of the temporomandibular joint (TMJ) in oral and maxillofacial functions, highlighting the prevalence of TMJ disorders (TMD), particularly TMJ disc displacement, in orthodontic settings. Anterior disc displacement (ADD) is identified as the most common form of TMJ disc displacement, which can manifest without symptoms in some individuals, complicating diagnosis and management. The paper notes a significant prevalence of TMD among orthodontic patients, ranging from 21.1% to 73.3%, which is notably higher than in the general population. The authors emphasize the importance of routine TMJ assessments prior to orthodontic treatment to identify potential issues early, especially in adolescents during critical growth phases.
The section further contrasts the diagnostic capabilities of various imaging modalities, specifically TMJ magnetic resonance imaging (TMJ-MRI) and cone-beam computed tomography (CBCT). While TMJ-MRI is regarded as the gold standard for diagnosing TMJ disc displacement, its limitations in clinical practice, such as accessibility and time requirements, are acknowledged. Conversely, CBCT is highlighted for its advantages in routine orthodontic applications, despite its inability to visualize soft tissues directly. The introduction concludes by noting the emerging role of deep learning in automating the detection of TMJ pathologies from imaging data, with a focus on developing a deep-learning-based method to assess TMJ disc displacement in orthodontic patients, thereby enhancing early diagnosis and management strategies.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a randomized controlled trial format to ensure the reliability of the results, with specific attention given to controlling for confounding variables.
Data collection involved standardized measures and instruments, ensuring consistency across all trials. The analysis was conducted using appropriate statistical software, applying techniques such as ANOVA and regression analysis to interpret the results. The section emphasizes the importance of methodological rigor in validating the findings, which contribute to the overall robustness of the study’s conclusions.
Results
The results section of the study highlights the performance of various YOLOv11 variants in detecting the temporomandibular joint (TMJ) region and compares deep learning models for predicting TMJ disc displacement. YOLOv11n emerged as the top-performing model, achieving a Precision of 0.986, Recall of 0.982, mAP50 of 0.988, and mAP50-95 of 0.534, indicating its robustness across different Intersection over Union (IoU) thresholds. YOLOv11m also performed well, particularly in mAP50, but showed slightly lower performance in mAP50-95. In contrast, YOLOv11l and YOLOv11x exhibited lower overall effectiveness, with YOLOv11x detecting most instances but resulting in more false positives.
In the classification of TMJ disc displacement, FastViT-t8 was identified as the leading model, achieving a slice-level AUC of 0.733 and an AUPR of 0.716, outperforming other models such as Efficient_b1 and Mobile-small. The model’s performance was corroborated by its highest accuracy of 0.669 in binary classification tasks. Visualization analysis using Gradient-weighted Class Activation Mapping (Grad-CAM) revealed that FastViT-t8 focused on clinically relevant anatomical regions, demonstrating clinical consistency in its predictions. Additionally, it exhibited the lowest false negative rate (15.2%) among the models tested, making it particularly suitable for preliminary screening in clinical settings, as it effectively balances sensitivity and specificity.
Discussion
This study introduces a two-stage model for identifying temporomandibular joint (TMJ) disc displacement using cone-beam computed tomography (CBCT) scans, integrating the YOLOv11 algorithm for region of interest (ROI) detection and a Transformer-based deep learning model for classification. The research involved 330 patients, with strict inclusion criteria to ensure the reliability of imaging data. The model achieved a precision of 0.986 and recall of 0.982 in detecting TMJ regions, while the classification stage yielded an area under the curve (AUC) of 0.733, indicating moderate performance in distinguishing between normal and abnormal disc conditions.
The findings underscore the importance of pre-orthodontic TMJ assessments, as initiating treatment without proper screening may exacerbate existing conditions. While MRI remains the gold standard for diagnosing TMJ issues, its high cost and complexity limit its accessibility. The proposed model offers a fully automated solution that enhances clinical workflow efficiency by reducing reliance on manual segmentation and expert-defined features. However, the model’s current accuracy necessitates its use as a preliminary screening tool rather than a definitive diagnostic instrument. Future work should focus on improving model generalizability and integrating clinical assessments to mitigate false negatives, ensuring a comprehensive approach to TMJ evaluation.