DOI: https://doi.org/10.1186/s12903-024-04850-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39538183
تاريخ النشر: 2024-11-13
المؤلف: Parisa Soltani وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
هدفت الدراسة إلى تقييم فعالية نموذج التعلم العميق (DL) ذو المرحلتين في الكشف عن الأضراس الثالثة السفلية (MTMs) والقناة السفلية (MC) على الأشعة السينية البانورامية، بالإضافة إلى تصنيف علاقتها التشريحية كاتصال أو عدم اتصال. تضمنت المنهجية وضع علامات على MTMs وMCs على الصور البانورامية باستخدام صناديق محيطة، تلتها تقييمات مستقلة لعلاقاتها عبر مسح التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). شمل مجموعة البيانات 387 صورة بانورامية، مع تقسيم التدريب-التحقق-الاختبار بنسبة 80:10:10. تم استخدام نموذج Faster R-CNN للكشف، بينما تم استخدام ResNeXt للتصنيف. تضمنت مقاييس الأداء الدقة المتوسطة (AP50 وAP75) للكشف ومقاييس تصنيف متنوعة مثل الدقة، والموثوقية، والاسترجاع، ودرجة F1، والمساحة تحت منحنى خصائص التشغيل المستقبلية (AUROC).
أشارت النتائج إلى أن النموذج حقق AP50 قدره 0.99 وAP75 قدره 0.90 للكشف عن MTMs وMCs. حقق أداء التصنيف دقة قدرها 0.85، واسترجاع قدره 0.85، وخصوصية قدرها 0.93، ودرجة F1 قدرها 0.84، ودقة قدرها 0.86، وAUROC قدره 0.91. تشير النتائج إلى أن نموذج DL قادر على الكشف بدقة عن MTMs وMCs وتقييم علاقاتها التشريحية على الأشعة السينية البانورامية. تؤكد الخاتمة على إمكانية استخدام النموذج في البيئات السريرية، مع التوصية بإجراء أبحاث مستقبلية لمقارنة أدائه مع الممارسين البشريين واستكشاف تداعيات تحقيق دقة تفوق البشر.
مقدمة
تناقش المقدمة أهمية العصب الفكي السفلي، وهو فرع من العصب الثلاثي التوائم، فيما يتعلق بعملية استخراج الأضراس الثالثة السفلية (MTMs)، والتي غالبًا ما تكون أسنانًا مدمرة. ترتبط هذه العملية بمضاعفات، بما في ذلك إصابة العصب، مع حدوث يتراوح بين 0.4% إلى 8.4%. بينما تشفى معظم الإصابات بشكل تلقائي، لا يزال هناك خطر حدوث ضرر دائم في أقل من 1% من الحالات. القرب التشريحي للقناة السفلية (MC) من MTMs هو عامل خطر حاسم، مما يبرز ضرورة التقييمات الدقيقة قبل العملية لتجنب تلف العصب.
كما تؤكد المقدمة على دور الذكاء الاصطناعي (AI) والتعلم العميق (DL) في تعزيز الممارسات السنية، لا سيما في الكشف وتصنيف العلاقات التشريحية بين MTMs وMCs. أظهرت الدراسات السابقة فعالية نماذج DL المختلفة في هذا السياق، باستخدام الأشعة السينية البانورامية ثنائية الأبعاد (2-D) بشكل أساسي. ومع ذلك، فإن هذه الوسائط التصويرية أقل دقة من التصوير المقطعي المحوسب ثلاثي الأبعاد (3-D) باستخدام شعاع المخروط (CBCT). تهدف الدراسة الحالية إلى الاستفادة من صور CBCT ثلاثية الأبعاد كمرجع لتحسين تصنيف علاقات MTM وMC على الصور ثنائية الأبعاد، وبالتالي تقييم دقة نموذج DL ذو المرحلتين في الكشف عن MTMs وتصنيف علاقتها التشريحية كاتصال أو عدم اتصال.
طرق البحث
تم إجراء الدراسة وفقًا لبروتوكول تمت الموافقة عليه من قبل لجنة أخلاقيات البحث في جامعة أصفهان للعلوم الطبية (رقم الموافقة #IR.MUI.REC.1402.007، بتاريخ 23/05/2023). التزمت المنهجية بالإرشادات الموضحة في قائمة التحقق “الذكاء الاصطناعي في البحث السني”، مما يضمن نهجًا منظمًا وأخلاقيًا لعملية البحث. يبرز هذا الالتزام الحفاظ على معايير عالية في تطبيق الذكاء الاصطناعي ضمن سياق البحث السني.
النتائج
في هذه الدراسة، تم تقييم ما مجموعه 387 فردًا، تتراوح أعمارهم بين 18 إلى 59 عامًا، بمتوسط عمر قدره 25 عامًا. كشفت التحليلات أن الأضراس الوسطى (MTMs) لوحظت بشكل ثنائي في 232 حالة وبشكل أحادي في 155 حالة عبر الأشعة السينية التي تم فحصها. تم جمع مجموعة بيانات شاملة تضم 619 صورة، والتي شملت كل من MTMs والأسنان المفقودة (MCs)، تتكون من 318 صورة من مجموعة الاتصال و301 صورة من مجموعة عدم الاتصال. توفر هذه النتائج أساسًا كبيرًا لمزيد من التحقيق في انتشار وتأثيرات MTMs في سياقات مختلفة.
المناقشة
في هذه الدراسة، قام المؤلفون بتقييم خوارزمية تعلم عميق (DL) ذات مرحلتين تستخدم شبكة عصبية تلافيفية قائمة على المنطقة الأسرع (Faster R-CNN) مع بنية ResNeXt للكشف عن الأضراس الثالثة السفلية (MTMs) وعلاقتها مع القناة السفلية (MC) على الأشعة السينية البانورامية. شملت مجموعة البيانات 619 صورة من 387 مريضًا، مع إجراء عملية وضع علامات صارمة من قبل أطباء الأشعة ذوي الخبرة لضمان الدقة. أظهر النموذج أداءً استثنائيًا، محققًا دقة متوسطة قدرها 0.99 عند تداخل 50% (AP50) و0.90 عند تداخل 75% (AP75) للكشف، بالإضافة إلى دقة تصنيف تتراوح بين 0.81 إلى 0.86 عبر مجموعات التدريب والتحقق والاختبار. كانت خصوصية النموذج عالية بشكل ملحوظ عند 0.93، مما يدل على فعاليته في التمييز بين سيناريوهات الاتصال وعدم الاتصال.
تؤكد النتائج على إمكانية الاستفادة من التصوير ثنائي الأبعاد المعزز ببيانات مرجعية ثلاثية الأبعاد لتحسين الدقة التشخيصية في الأشعة السنية. بينما تفوق النموذج على الدراسات السابقة في دقة الكشف، اعترف المؤلفون بالقيود مثل حجم العينة المحدود والاعتماد على جهاز تصوير واحد، مما قد يؤثر على إمكانية تعميم النتائج. يوصون بإجراء أبحاث مستقبلية تشمل مجموعات بيانات متنوعة واستكشاف بنى نمذجة إضافية، بالإضافة إلى تقييم أداء النموذج مقابل الأطباء البشريين. تبرز الدراسة وعد DL في التطبيقات السريرية، مما يشير إلى أن المزيد من الاستكشاف للذكاء الاصطناعي القابل للتفسير يمكن أن يعالج التحديات المتعلقة بتفسير نتائج التصوير المتقدمة.
DOI: https://doi.org/10.1186/s12903-024-04850-1
PMID: https://pubmed.ncbi.nlm.nih.gov/39538183
Publication Date: 2024-11-13
Author(s): Parisa Soltani et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study aimed to evaluate the effectiveness of a two-stage deep learning (DL) model in detecting mandibular third molars (MTMs) and the mandibular canal (MC) on panoramic radiographs, as well as classifying their anatomical relationship as contact or no contact. The methodology involved labeling MTMs and MCs on panoramic images using bounding boxes, followed by independent assessments of their relationships via cone-beam computed tomography (CBCT) scans. The dataset comprised 387 panoramic radiographs, with a training-validation-testing split of 80:10:10. The Faster R-CNN model was employed for detection, while ResNeXt was utilized for classification. Performance metrics included average precision (AP50 and AP75) for detection and various classification metrics such as accuracy, precision, recall, F1-score, and area-under-the-receiver-operating-characteristics curve (AUROC).
Results indicated that the model achieved an AP50 of 0.99 and an AP75 of 0.90 for detecting MTMs and MCs. The classification performance yielded an accuracy of 0.85, recall of 0.85, specificity of 0.93, F1-score of 0.84, precision of 0.86, and an AUROC of 0.91. The findings suggest that the DL model is capable of accurately detecting MTMs and MCs and assessing their anatomical relationships on panoramic radiographs. The conclusion emphasizes the model’s potential utility in clinical settings, while also recommending future research to compare its performance against human practitioners and explore the implications of achieving super-human accuracy.
Introduction
The introduction discusses the significance of the inferior alveolar nerve, a branch of the trigeminal nerve, in relation to the surgical extraction of mandibular third molars (MTMs), which are frequently impacted teeth. The procedure is associated with complications, including nerve injury, with an incidence ranging from 0.4% to 8.4%. While most injuries heal spontaneously, there remains a risk of permanent damage in less than 1% of cases. The anatomical proximity of the mandibular canal (MC) to the MTMs is a critical risk factor, highlighting the necessity for accurate preoperative assessments to prevent nerve damage.
The introduction also emphasizes the role of artificial intelligence (AI) and deep learning (DL) in enhancing dental practices, particularly in the detection and classification of anatomical relationships between MTMs and MCs. Previous studies have demonstrated the effectiveness of various DL models in this context, primarily using two-dimensional (2-D) panoramic radiographs. However, these imaging modalities are less accurate than three-dimensional (3-D) cone beam computed tomography (CBCT). The current study aims to leverage 3-D CBCT images as a reference to improve the classification of MTM and MC relationships on 2-D images, thereby assessing the accuracy of a two-stage DL model in detecting MTMs and classifying their anatomical relationship as contact or no contact.
Methods
The study was conducted following a protocol approved by the Research Ethics Committee at Isfahan University of Medical Sciences (approval number #IR.MUI.REC.1402.007, dated 23/05/2023). The methodology adhered to the guidelines outlined in the “Artificial intelligence in dental research” checklist, ensuring a structured and ethical approach to the research process. This adherence underscores the commitment to maintaining high standards in the application of artificial intelligence within the dental research context.
Results
In this study, a total of 387 individuals were evaluated, with ages ranging from 18 to 59 years, and a mean age of 25 years. The analysis revealed that mesiodens (MTMs) were observed bilaterally in 232 cases and unilaterally in 155 cases across the radiographs examined. A comprehensive dataset of 619 images was collected, which included both MTMs and missing teeth (MCs), comprising 318 images from the contact group and 301 images from the no-contact group. These findings provide a substantial basis for further investigation into the prevalence and implications of MTMs in different contexts.
Discussion
In this study, the authors evaluated a two-stage deep learning (DL) algorithm utilizing a Faster Region-based Convolutional Neural Network (Faster R-CNN) with a ResNeXt architecture for detecting mandibular third molars (MTMs) and their relationship with the mandibular canal (MC) on panoramic radiographs. The dataset comprised 619 images from 387 patients, with a rigorous labeling process conducted by experienced radiologists to ensure accuracy. The model demonstrated exceptional performance, achieving an average precision of 0.99 at 50% overlap (AP50) and 0.90 at 75% overlap (AP75) for detection, alongside classification accuracies ranging from 0.81 to 0.86 across training, validation, and test sets. The model’s specificity was notably high at 0.93, indicating its effectiveness in distinguishing between contact and non-contact scenarios.
The findings underscore the potential of leveraging 2D imaging enhanced by 3D reference data to improve diagnostic accuracy in dental radiology. While the model outperformed previous studies in detection accuracy, the authors acknowledged limitations such as a restricted sample size and reliance on a single imaging device, which may affect generalizability. They recommend future research to include diverse datasets and explore additional modeling architectures, as well as to assess the model’s performance against human clinicians. The study highlights the promise of DL in clinical applications, suggesting that further exploration of explainable AI could address challenges related to interpreting advanced imaging outputs.