DOI: https://doi.org/10.1186/s12909-025-07483-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40597191
تاريخ النشر: 2025-07-01
المؤلف: Muhammed Ayhan وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه الدراسة تطوير نموذج قائم على التعلم العميق، RCFLA-YOLO، يهدف إلى التقييم التلقائي لجودة حشو قنوات الجذر (RCF)، مع التركيز بشكل خاص على طول RCF (RCFL) كما تم تقييمه من الأشعة السينية المحيطية (PRs). تتناول الدراسة تحديات التقييمات الذاتية من قبل الأطباء وتقدم مجموعة بيانات RCFL تتكون من 735 PRs تم وضع علامات عليها من قبل أطباء خبراء. باستخدام بنية YOLOv11، المعروفة بقدراتها المتقدمة في اكتشاف الأجسام، تم التحقق بدقة من أداء النموذج مقابل هذه المجموعة من البيانات.
تشير النتائج إلى أن بنية YOLOv11m تفوقت على النماذج الأخرى المختبرة، محققة دقة بنسبة 77.51%، واسترجاع بنسبة 79.03%، ودرجة F1 بنسبة 78.28%، ومتوسط دقة (mAP50) بنسبة 87.89%. تسلط المقارنات مع الأدبيات الحالية الضوء على الطريقة المقترحة كواحدة من الأساليب الرائدة من حيث مقاييس التقييم، لا سيما أداء mAP. تشير النتائج إلى أن هذا النموذج يمكن أن يكون أداة قيمة لتطوير أنظمة دعم القرار تهدف إلى التقييم الموضوعي لجودة RCF في التعليم السني قبل السريري، مما يعزز عمليات التدريب والتقييم لطلاب طب الأسنان.
مقدمة
تناقش مقدمة ورقة البحث أهمية علاج قنوات الجذر (RCT) في الحفاظ على صحة الأنسجة المحيطية من خلال التنظيف الفعال وحشو نظام قناة الجذر. على الرغم من أهميته، تشير الدراسات إلى أن RCTs التي يقوم بها أطباء الأسنان العامون غالبًا ما لا تصل إلى المعايير المحددة، ويرجع ذلك أساسًا إلى التدريب غير الكافي. يمارس طلاب طب الأسنان عادةً RCTs على الأسنان المستخرجة في بيئة قبل سريرية، حيث تعتبر التقييمات الشعاعية، لا سيما الأشعة السينية المحيطية (PRs)، ضرورية لتقييم الجودة الفنية. تشمل المعايير الرئيسية للتقييم كثافة الحشو، الطول، والتقليص، والتي تعتبر أساسية لضمان النتائج الناجحة.
تسلط الورقة الضوء على التحديات في تقييم أداء الطلاب بشكل متسق بسبب عوامل مثل الأعداد الكبيرة من الطلاب وذاتية المقيمين. لمعالجة هذه القضايا، يتم اقتراح دمج أنظمة التقييم المعتمدة على الكمبيوتر، لا سيما تلك التي تستخدم الذكاء الاصطناعي (AI) والتعلم العميق (DL). تعد هذه الأنظمة بتقديم تقييمات موضوعية لمعايير RCT ويمكن أن تساعد في تحديد الأخطاء، مما يعزز عملية التدريب ويقلل من أعباء المعلمين. تقدم الدراسة نموذج RCFLA-YOLO للتقييم التلقائي لطول حشو قنوات الجذر (RCFL) باستخدام مجموعة بيانات من PRs المعلّمة من إجراءات الطلاب. تشمل الأهداف إنشاء مجموعة بيانات شاملة لـ RCFL، وتدريب نماذج متقدمة لاكتشاف الأجسام، ومقارنة أدائها لتأسيس طريقة تقييم مدفوعة بالذكاء الاصطناعي في طب الأسنان.
طرق
في هذه الدراسة، يقدم المؤلفون نموذج RCFL Acceptance YOLO (RCFLA-YOLO)، المصمم لتقييم جودة حشوات قنوات الجذر (RCFs) التي يقوم بها طلاب طب الأسنان في بيئة قبل سريرية بشكل موضوعي. تم هيكلة المنهجية في سبع مراحل، بدءًا من جمع أنواع مختلفة من RCFs، والتي تم وضع علامات عليها كـ “مقبول (✓)” أو “غير مقبول (✗)” من قبل أطباء خبراء بناءً على ملاءمتها لعلاج قنوات الجذر (RCT). تم بعد ذلك معالجة مجموعة البيانات المعلّمة وتحضيرها للتدريب عبر إصدارات مختلفة من بنية YOLOv11. تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار، وتم تقييم أداء النموذج المدرب باستخدام مقاييس مصفوفة الالتباس، مع إجراء مقارنات ضد إصدارات YOLO السابقة (YOLOv5 و YOLOv8).
استخدم الإعداد التجريبي جهاز كمبيوتر مزود بمعالج Intel(R) Core(TM) i5-12th، وذاكرة وصول عشوائي 32 جيجابايت، وNVIDIA GeForce RTX 3060 GPU، يعمل على نظام Windows 11. تم إجراء التجارب في بيئة Visual Studio Code، مستفيدين من مكتبات PyTorch وUltralytics. كانت أوقات المعالجة المتوسطة المسجلة حوالي 0.3 مللي ثانية للمعالجة المسبقة، و11.1 مللي ثانية للاستدلال، و0.7 مللي ثانية للمعالجة اللاحقة، مما أدى إلى إجمالي متوسط وقت معالجة قدره 12.1 مللي ثانية لكل صورة. تقدم الدراسة تقريرًا مفصلًا عن تقييمات الأداء للطريقة المقترحة، مع تسليط الضوء على فعالية بنية YOLOv11 في تقييم جودة RCF.
نتائج
في هذه الدراسة، قدم المؤلفون بنية RCFLA-YOLO لتقييم قبول جودة إطار الخرسانة المسلحة (RCF) بناءً على الطول باستخدام نسب الأداء (PRs). تم تدريب إصدارات مختلفة من بنية YOLOv11 على مجموعة بيانات RCFL وفقًا للإطار المقترح. تم إجراء تحليل مقارن لتحديد أكثر متغير فعال من YOLOv11، جنبًا إلى جنب مع تقييم الأداء مقابل نماذج التعرف على الأجسام المعتمدة، لا سيما YOLOv5 و YOLOv8.
تشير النتائج إلى أن الطريقة المقترحة RCFLA-YOLO تظهر مقاييس أداء تنافسية على مجموعة بيانات RCFL، والتي يتم تفصيلها في هذا القسم. يتم توضيح تفاصيل تجريبية إضافية ونتائج مقارنة في الأقسام اللاحقة، مما يبرز فعالية البنية المقترحة في تقييم جودة RCF.
مناقشة
في هذه الدراسة، قدم المؤلفون نموذج RCFLA-YOLO، وهو نهج قائم على التعلم العميق مصمم لتقييم جودة إجراءات حشو قنوات الجذر (RCF) تلقائيًا التي يقوم بها طلاب طب الأسنان خلال التدريب قبل السريري. يستفيد النموذج من بنية YOLOv11، التي أظهرت مقاييس أداء متفوقة، محققة mAP50 تبلغ حوالي 88%. هذه الدراسة ملحوظة لتركيزها على التعليم قبل السريري، مما يختلف عن الأدبيات الحالية التي تتناول بشكل أساسي التقييمات السريرية لعلاجات قنوات الجذر. تتكون مجموعة بيانات RCFL، التي تم إنشاؤها خصيصًا لهذه الدراسة، من 735 صورة شعاعية محيطية تم وضع علامات عليها من قبل أطباء خبراء، مصنفة إجراءات RCF كـ مقبولة أو غير مقبولة بناءً على معايير محددة.
تشير النتائج إلى أن نموذج RCFLA-YOLO لا يعزز فقط موضوعية وكفاءة التقييمات، بل يعمل أيضًا كأداة دعم قرار قيمة للمعلمين، مما قد يحول عملية التقييم في التعليم السني. بينما أظهر النموذج دقة عالية، إلا أنه كشف أيضًا عن قيود، لا سيما في تصنيف أطوال RCF بشكل خاطئ، مما يشير إلى أنه يجب أن يكمل بدلاً من أن يحل محل المقيمين البشريين. تؤكد الدراسة على أهمية دمج تقنيات الذكاء الاصطناعي في الأطر التعليمية لتوفير تغذية راجعة في الوقت المناسب وتحسين نتائج التعلم لطلاب طب الأسنان، مما يعالج فجوة كبيرة في الأساليب التربوية الحالية في هذا المجال.
القيود
تقدم الدراسة نتائج واعدة بشأن تصنيف ملاءمة حشو قنوات الجذر (RCF) باستخدام نموذج RCFLA-YOLO؛ ومع ذلك، يجب الاعتراف بعدة قيود. أولاً، تم الحصول على مجموعة البيانات من مؤسسة واحدة وجهاز تصوير واحد، مما قد يعيق قابلية تعميم النموذج على بيئات سريرية وتعليمية متنوعة. على الرغم من أن الأشعة السينية المحيطية (PRs) هي معيار في التدريب قبل السريري في طب الأسنان، فإن الاعتماد على مجموعة بيانات واحدة يحد من قدرة النموذج على التكيف مع بروتوكولات مؤسسية مختلفة. بالإضافة إلى ذلك، تتكون مجموعة البيانات من إجراءات قام بها عدد محدود من طلاب السنة الثالثة في طب الأسنان، مما قد يتجاهل التباينات في التقنيات والنتائج السائدة في بيئات التدريب الأوسع.
لزيادة قوة النموذج، يجب أن تهدف الأبحاث المستقبلية إلى دمج بيانات من مؤسسات متعددة وسكان طلاب متنوعين. يمكن تسهيل ذلك من خلال التعلم الفيدرالي، مما يسمح بتدريب النموذج بشكل تعاوني مع الحفاظ على خصوصية البيانات. علاوة على ذلك، يحد التركيز الحالي للدراسة على الأسنان ذات الجذر الواحد من نطاقها؛ يجب أن تشمل التحقيقات المستقبلية الأسنان متعددة الجذور ومعايير إضافية مثل الكثافة والتقليص لتوفير تقييم أكثر شمولاً لجودة RCF. بشكل عام، سيكون توسيع مجموعة البيانات، وتوظيف استراتيجيات التعلم التعاوني، وتوسيع معايير التقييم أمرًا حاسمًا لتقدم تطبيقات الذكاء الاصطناعي الموثوقة في التعليم السني والممارسة السريرية. قد تستكشف الدراسات المستقبلية أيضًا الأداء المقارن لطلاب طب الأسنان مع وبدون مساعدة الذكاء الاصطناعي لتقييم القابلية العملية لهذه النماذج في سياقات التدريب.
DOI: https://doi.org/10.1186/s12909-025-07483-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40597191
Publication Date: 2025-07-01
Author(s): Muhammed Ayhan et al.
Primary Topic: Dental Radiography and Imaging
Overview
This research presents the development of a deep learning-based model, RCFLA-YOLO, aimed at the automatic evaluation of root canal filling (RCF) quality, specifically focusing on RCF length (RCFL) as assessed from periapical radiographs (PRs). The study addresses the challenges of subjective evaluations by clinicians and introduces an RCFL dataset comprising 735 PRs annotated by expert clinicians. Utilizing the YOLOv11 architecture, which is recognized for its advanced object detection capabilities, the model’s performance was rigorously validated against this dataset.
The results indicate that the YOLOv11m architecture outperformed other tested models, achieving a precision of 77.51%, recall of 79.03%, F1-score of 78.28%, and a mean Average Precision (mAP50) of 87.89%. Comparisons with existing literature highlight the proposed method as one of the leading approaches in terms of evaluation metrics, particularly mAP performance. The findings suggest that this model could serve as a valuable tool for developing decision support systems aimed at the objective assessment of RCF quality in preclinical dental education, thereby enhancing the training and evaluation processes for dental students.
Introduction
The introduction of the research paper discusses the significance of root canal treatment (RCT) in preserving periradicular tissue health through effective cleaning and filling of the root canal system. Despite its importance, studies indicate that RCTs performed by general dentists often fall short of established standards, primarily due to inadequate training. Dental students typically practice RCTs on extracted teeth in a preclinical setting, where radiographic evaluations, particularly periapical radiographs (PRs), are crucial for assessing technical quality. Key parameters for evaluation include filling density, length, and taper, which are essential for ensuring successful outcomes.
The paper highlights the challenges in consistently evaluating student performance due to factors like high student numbers and evaluator subjectivity. To address these issues, the integration of computer-aided assessment systems, particularly those utilizing artificial intelligence (AI) and deep learning (DL), is proposed. These systems promise objective evaluations of RCT parameters and can assist in identifying errors, thereby enhancing the training process and reducing educators’ workloads. The study introduces the RCFLA-YOLO model for the automatic evaluation of root canal filling length (RCFL) using a dataset of labeled PRs from student procedures. The objectives include creating a comprehensive RCFL dataset, training advanced object detection models, and comparing their performance to establish a robust AI-driven assessment method in dentistry.
Methods
In this study, the authors introduce the RCFL Acceptance YOLO (RCFLA-YOLO) model, designed to objectively evaluate the quality of root canal fillings (RCFs) performed by dental students in a preclinical environment. The methodology is structured into seven stages, beginning with the collection of various types of RCFs, which were labeled as “Acceptable (✓)” or “Unacceptable (✗)” by expert clinicians based on their suitability for root canal treatment (RCT). This labeled dataset was then preprocessed and prepared for training across different versions of the YOLOv11 architecture. The dataset was divided into training and testing subsets, and the performance of the trained model was assessed using confusion matrix metrics, with comparisons made against earlier YOLO versions (YOLOv5 and YOLOv8).
The experimental setup utilized a computer equipped with an Intel(R) Core(TM) i5-12th processor, 32 GB RAM, and an NVIDIA GeForce RTX 3060 GPU, operating on Windows 11. The experiments were conducted in a Visual Studio Code environment, leveraging the PyTorch and Ultralytics libraries. The average processing times recorded were approximately 0.3 ms for preprocessing, 11.1 ms for inference, and 0.7 ms for postprocessing, culminating in a total average processing time of 12.1 ms per image. The study provides a detailed report on the performance evaluations of the proposed method, highlighting the effectiveness of the YOLOv11 architecture in assessing RCF quality.
Results
In this study, the authors introduced the RCFLA-YOLO architecture to evaluate the acceptability of Reinforced Concrete Frame (RCF) quality based on length using performance ratios (PRs). Various iterations of the YOLOv11 architecture were trained on the RCFL dataset following the proposed framework. A comparative analysis was conducted to determine the most effective variant of YOLOv11, alongside a performance evaluation against established object recognition models, specifically YOLOv5 and YOLOv8.
The results indicate that the proposed RCFLA-YOLO method demonstrates competitive performance metrics on the RCFL dataset, which are detailed in this section. Further experimental specifics and comparative results are elaborated in subsequent sections, underscoring the efficacy of the proposed architecture in assessing RCF quality.
Discussion
In this study, the authors introduced the RCFLA-YOLO model, a deep learning-based approach designed to automatically evaluate the quality of root canal filling (RCF) procedures performed by dental students during preclinical training. The model leverages the YOLOv11 architecture, which has demonstrated superior performance metrics, achieving an mAP50 of approximately 88%. This study is notable for its focus on preclinical education, contrasting with existing literature that primarily addresses clinical evaluations of root canal treatments. The RCFL dataset, specifically created for this research, comprises 735 periapical radiographs annotated by expert clinicians, categorizing RCF procedures as acceptable or unacceptable based on established criteria.
The findings indicate that the RCFLA-YOLO model not only enhances the objectivity and efficiency of evaluations but also serves as a valuable decision-support tool for educators, potentially transforming the assessment process in dental education. While the model exhibited high accuracy, it also revealed limitations, particularly in misclassifying RCF lengths, suggesting that it should complement rather than replace human evaluators. The study emphasizes the importance of integrating AI technologies into educational frameworks to provide timely feedback and improve learning outcomes for dental students, thereby addressing a significant gap in the current pedagogical approaches within the field.
Limitations
The study presents promising findings regarding the classification of root canal filling (RCF) adequacy using the RCFLA-YOLO model; however, several limitations must be acknowledged. Primarily, the dataset was sourced from a single institution and imaging device, which may hinder the model’s generalizability to diverse clinical and educational settings. While periapical radiographs (PRs) are standard in preclinical endodontic training, the reliance on a singular dataset restricts the model’s adaptability to different institutional protocols. Additionally, the dataset comprised procedures performed by a limited cohort of third-year dental students, potentially overlooking variations in techniques and outcomes prevalent in broader training environments.
To enhance the robustness of the model, future research should aim to incorporate data from multiple institutions and diverse student populations. This could be facilitated through federated learning, allowing collaborative model training while maintaining data privacy. Furthermore, the current study’s focus on single-rooted teeth limits its scope; future investigations should include multi-rooted teeth and additional parameters such as density and taper to provide a more comprehensive evaluation of RCF quality. Overall, expanding the dataset, employing collaborative learning strategies, and broadening the evaluation criteria will be crucial for advancing reliable AI applications in dental education and clinical practice. Future studies may also explore the comparative performance of dental students with and without AI assistance to assess the practical usability of these models in training contexts.