DOI: https://doi.org/10.1038/s41598-024-70311-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39187553
تاريخ النشر: 2024-08-26
المؤلف: Chang Wen وآخرون
الموضوع الرئيسي: الميكروبيولوجيا الفموية وبحوث التهاب اللثة
نظرة عامة
تركز هذه الدراسة على تطوير شبكة تعلم عميق تهدف إلى التقييم التلقائي لالتهاب اللثة، وهو مؤشر حاسم في التهاب اللثة. استخدم الباحثون تقنية التوزيع الاحتمالي للجيران (t-SNE) لتقليل الأبعاد وبنوا شبكة عصبية تلافيفية (CNN) تعتمد على DenseNet لتحديد وتقييم التهاب اللثة. لتحسين أداء النموذج، تم تقديم خوارزمية جديدة لإزالة الأسنان، إلى جانب تطبيق مشفر Grad-CAM++ لتوليد خرائط حرارية لتحليل الانتباه البصري.
أظهرت النتائج متوسط تقاطع على الاتحاد (MIoU) قدره 0.727 ± 0.117 لتحديد التهاب اللثة، مع معدلات دقة لخمسة درجات من الالتهاب تتراوح بين 73.68% إلى 79.22%. كانت قيم المنطقة تحت منحنى التشغيل (AUROC) واعدة أيضًا، حيث تراوحت بين 0.80 إلى 0.84. ومن الجدير بالذكر أن نسبة الانتباه نحو أنسجة اللثة زادت بشكل كبير، مما يدل على تركيز أكبر على المناطق ذات الصلة، حيث ارتفعت نسبة الانتباه العامة على اللثة من 51.82% إلى 78.21%. تشير هذه النتائج إلى أن نموذج التعلم العميق المقترح، الذي يستخدم طريقة جديدة لاستخراج الميزات، يحقق دقة عالية وحساسية في تحديد وتصنيف التهاب اللثة.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. يتم وصف المنهجية خطوة بخطوة، مع تسليط الضوء على التقنيات والبروتوكولات المتبعة لجمع وتحليل البيانات.
تشير النتائج الرئيسية من هذا القسم إلى النهج الدقيق المتبع لضمان صحة النتائج. كما تم ذكر التحليلات الإحصائية المستخدمة لتفسير البيانات، مما يوفر رؤى حول كيفية تقييم المؤلفين لأهمية نتائجهم. بشكل عام، يؤسس هذا القسم إطارًا واضحًا لفهم السياق التجريبي وموثوقية الاستنتاجات المستخلصة من البحث.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث أكدت الاختبارات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في النتائج، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تكشف التحليلات أن حجم التأثير كبير، مما يدل على الأهمية العملية في سياق أهداف البحث. توضح التمثيلات البيانية للبيانات الاتجاهات الملحوظة، مع تسليط الضوء على الفروق بين المجموعات الضابطة والتجريبية. بشكل عام، تدعم النتائج الفرضيات الأولية وتوفر أساسًا لمزيد من الاستكشاف في الأقسام التالية من الورقة.
المناقشة
تناقش ورقة البحث تطوير وتقييم نموذج تعلم عميق (DL) لتصنيف التهاب اللثة، باستخدام مجموعة بيانات شاملة من 826 صورة داخل الفم تم جمعها وفقًا للإرشادات الأخلاقية. تم التقاط الصور باستخدام كاميرا رقمية موحدة وخضعت لعمليات معالجة مسبقة لتحسين الجودة للتحليل. تم استخدام بنية DenseNet كمنصة رئيسية للنموذج، الذي تم تدريبه باستخدام نهج الانحدار العشوائي مع مُحسِّن آدم. تم تقييم أداء النموذج بدقة من خلال مقاييس مثل متوسط تقاطع على الاتحاد (MIoU) والمنطقة تحت منحنى ROC (AUC)، مما يكشف أن نموذج DenseNet تفوق على الطرق التقليدية مثل ResNet وInception-v3 وEfficientNet في كل من الكشف والتصنيف لالتهاب اللثة.
قدمت الدراسة أيضًا تقنيات مبتكرة لتحسين استخراج الميزات، بما في ذلك خوارزمية جديدة لإزالة الأسنان لتقليل التداخل أثناء التشخيص وتطبيق Grad-CAM++ لرسم خرائط الانتباه البصري. أدى ذلك إلى زيادة كبيرة في تركيز النموذج على أنسجة اللثة، مما يعزز دقة الكشف. تشير النتائج إلى أن نموذج DL حقق MIoU قدره 0.727، متجاوزًا أداء أطباء الأسنان البشر، وأظهر حساسية وخصوصية عالية عبر درجات مختلفة من التهاب اللثة. بشكل عام، تؤكد الدراسة على إمكانيات تقنيات DL المتقدمة في تحسين دقة وكفاءة تشخيص أمراض اللثة، مع معالجة تحديات تصنيف الميزات الدقيقة ضمن حالات اللثة.
DOI: https://doi.org/10.1038/s41598-024-70311-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39187553
Publication Date: 2024-08-26
Author(s): Chang Wen et al.
Primary Topic: Oral microbiology and periodontitis research
Overview
This study focuses on the development of a deep learning network aimed at the automatic assessment of gingival inflammation, a critical index in periodontitis. The researchers employed T-distributed Stochastic Neighbor Embedding (t-SNE) for dimensionality reduction and constructed a convolutional neural network (CNN) based on DenseNet for the identification and evaluation of gingival inflammation. To improve the model’s performance, a novel teeth removal algorithm was introduced, alongside the application of a Grad-CAM++ encoder to generate heatmaps for visual attention analysis.
The results demonstrated a mean Intersection over Union (MIoU) of 0.727 ± 0.117 for gingivitis identification, with accuracy rates for five degrees of inflammation ranging from 73.68% to 79.22%. The Area Under the Receiver Operating Characteristic (AUROC) values were also promising, ranging from 0.80 to 0.84. Notably, the attention ratio towards gingival tissue significantly increased, indicating enhanced focus on relevant areas, with the overall attention ratio on the gingiva rising from 51.82% to 78.21%. These findings suggest that the proposed deep learning model, utilizing a novel feature extraction method, achieves high accuracy and sensitivity in identifying and grading gingival inflammation.
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 step-by-step, highlighting the techniques and protocols followed to collect and analyze data.
Key findings from this section indicate the rigorous approach taken to ensure the validity of the results. Statistical analyses employed to interpret the data are also mentioned, providing insight into how the authors assessed the significance of their findings. Overall, this section establishes a clear framework for understanding the experimental context and the reliability of the conclusions drawn from the research.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables studied, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the outcomes, as evidenced by a p-value of less than 0.05, suggesting that the findings are statistically significant.
Additionally, the analysis reveals that the effect size is substantial, indicating practical relevance in the context of the research objectives. Graphical representations of the data further illustrate the trends observed, highlighting the differences between control and experimental groups. Overall, the results support the initial hypotheses and provide a foundation for further exploration in subsequent sections of the paper.
Discussion
The research paper discusses the development and evaluation of a deep learning (DL) model for grading gingival inflammation, utilizing a comprehensive dataset of 826 intraoral images collected under ethical guidelines. The images were captured using a standardized digital camera and underwent preprocessing to enhance the quality for analysis. A DenseNet architecture was employed as the primary platform for the model, which was trained using a stochastic gradient descent approach with the Adam optimizer. The model’s performance was rigorously assessed through metrics such as Mean Intersection over Union (MIoU) and area under the ROC curve (AUC), revealing that the DenseNet model outperformed traditional methods like ResNet, Inception-v3, and EfficientNet in both detection and classification of gingival inflammation.
The study also introduced innovative techniques for improving feature extraction, including a novel algorithm for teeth removal to minimize interference during diagnosis and the application of Grad-CAM++ for visual attention mapping. This resulted in a significant increase in the model’s focus on gingival tissue, enhancing detection accuracy. The findings indicate that the DL model achieved a MIoU of 0.727, surpassing the performance of human dentists, and demonstrated high sensitivity and specificity across various grades of gingival inflammation. Overall, the research underscores the potential of advanced DL techniques in improving the accuracy and efficiency of periodontal disease diagnosis, addressing the challenges of subtle feature classification within gingival conditions.