Nøjagtighed af et AI-klinisk vidensbaseret hybridsystem til påvisning af paradentose i OPG-billeder

Paradentose er et stort folkesundhedsproblem på grund af dets høje udbredelse på verdensplan, betydelige socioøkonomiske konsekvenser og betydelige effekter på individers livskvalitet. Paradentose i befolkningen forbliver dog stort set uopdaget. Det er afgørende at øge bevidstheden om parodontose og forbedre tidlig diagnose af paradentose for at sikre rettidig indgriben.

2018-klassificeringen af ​​periodontale og peri-implantatsygdomme og tilstande definerer fire stadier af parodontitis, der spænder fra det indledende stadie (stadie I) til det fremskredne stadie (stadie IV). I stadier II-IV er omfattende behandlingsprocedurer essentielle, ellers er der en høj risiko for tand eller endda hele tandtab. Selvom kliniske undersøgelser betragtes som guldstandarden for at bestemme stadiet af paradentose, er processen besværlig og tidskrævende, og kræver meget erfarne specialister. Derfor er alternative omkostningseffektive, men pålidelige og valide tilgange til differentiering af fase II-IV paradentosediagnose, især i offentlige samfund, stærkt nødvendige.

Orthopantomografi (OPG), også kendt som panoramisk radiografi, er en ikke-invasiv og lavdosis billedbehandlingsteknik, der giver et omfattende overblik over maxillofacial-regionen i én procedure. Som et ekstraoralt røntgenbillede har det fordele ved at tage billedet, især i tilfælde, hvor patienter har svært ved at åbne munden eller udviser en udtalt gag-refleks, der hindrer brugen af ​​intraorale film. Således er OPG sandsynligvis det hyppigst taget dental røntgenbillede rundt om i verden og kan potentielt tjene som et effektivt værktøj til at differentiere stadium II-IV parodontitis i populationer. For nylig er der udført adskillige undersøgelser for at bruge OPG-billeder til diagnosticering af paradentose. Men strategierne i disse undersøgelser er afhængige af de radiografiske annotationer for specifikke vartegn fra klinikere, som måske mangler overbevisende nøjagtighed. Ydermere kunne kun røntgenbilleder med høj kvalitet være et værdifuldt supplement til paradentosediagnosen, så mange tilgængelige OPG-billeder med overlejring af anatomiske strukturer, uforholdsmæssig billedforstørrelse, forvrængning og sløring kan mindske generaliseringen af ​​det udviklede system.

Kunstig intelligens (AI) er dukket op som et stærkt værktøj inden for forskellige medicinske områder, herunder tandpleje. AI-baserede algoritmer, især deep learning-teknikker, har vist bemærkelsesværdige evner inden for billedanalyse, mønstergenkendelse og beslutningstagning. I de seneste år har integrationen af ​​AI-teknologi i tandpleje åbnet nye veje til at forbedre nøjagtigheden og effektiviteten af ​​diagnose. AI-baserede algoritmer kan muligvis genkende nogle funktioner i OPG-billeder, der er umærkelige for det menneskelige øje, hvilket muliggør påvisning af subtilt knogletab og opnår en mere nøjagtig diagnose af periodontal iscenesættelse.

Navnlig afslørede resultater fra vores nylige undersøgelse, at et hybridsystem, der kombinerer AI-algoritmer og klinisk viden, har god ydeevne til at differentiere stadium II-IV parodontitis. I udviklingsprocessen af ​​dette hybridsystem blev der kun brugt klinisk information fra erfarne specialister, og der blev ikke anvendt radiografiske annotationer. På trods af det lovende potentiale for hybridsystemet, der er udviklet fra vores indledende undersøgelse, er det vigtigt at træne og validere det yderligere i forskellige uafhængige populationer, fordi en forudsigelsesregel afledt af en prøve kunne klare sig bedre i en anden prøve/population. Desuden er det rimeligt at antage, at OPG-billederne taget fra forskellige maskiner i høj grad kan påvirke nøjagtigheden af ​​det udviklede hybridsystem. Derfor er det logisk at udføre en multicenterundersøgelse for at indsamle forskellige OPG-billeder fra forskellige centre verden over, og datasættet vil blive brugt til at træne yderligere og validere hybridsystemet, hvilket sikrer dets nøjagtighed og effektivitet i paradentosediagnose.

I denne undersøgelse vil vi sammenligne de diagnostiske karakteristika af et nyt AI-klinisk-baseret hybridsystem (indekstest) med et panel af eksperter (referencestandard). Eksperter vil uafhængigt vurdere alle røntgenbilleder og nå til enighed, hvis der findes uoverensstemmelser mellem dem.