Análisis de placa dental microbiana en dientes permanentes jóvenes mediante aprendizaje profundo
Análisis de placa dental microbiana en dientes permanentes jóvenes mediante aprendizaje profundo en niños de 8 a 13 años
Descripción general del estudio
Estado
Condiciones
Descripción detallada
La placa dental se define como una comunidad microbiana incrustada en una matriz compuesta por polímeros derivados de las bacterias y el contenido de la saliva que se desarrolla en la superficie de los dientes. La placa dental microbiana se absorbe en la superficie del diente segundos después de la limpieza dental y persiste funcionalmente. Estas moléculas existen principalmente en el líquido del surco subgingival, junto con la saliva, y demuestran asentamiento en esta área. El principal factor etiológico de la gingivitis y la periodontitis es la placa bacteriana, que puede provocar la destrucción de los tejidos gingivales y de la inserción periodontal. En los niños, si no se establece la higiene bucal inmediatamente después de la erupción de los dientes y no se inculcan hábitos de cepillado regulares, la capa de biopelícula bacteriana puede asentarse en las superficies de los dientes y los márgenes gingivales asociados con el entorno bucal, iniciando la inflamación gingival.
La detección temprana y el tratamiento de las enfermedades periodontales en las etapas iniciales en los niños son clínicamente importantes, ya que estas condiciones pueden intensificarse y conducir a resultados adversos en períodos posteriores. La placa bacteriana es el principal factor etiológico de las enfermedades gingivales en los niños. Identificar y distinguir la placa dental microbiana por parte de los pacientes puede ser un desafío. Las placas se pueden detectar mediante la práctica clínica habitual utilizando sondas periodontales y/o soluciones reveladoras de placa. Aunque estos métodos se emplean ampliamente, pueden producir resultados subjetivos. Sin embargo, estos métodos de evaluación pueden resultar engorrosos, consumir mucho tiempo y no tener éxito en niños que no cooperan. Además, las soluciones reveladoras de placa utilizadas para la detección de placa dental microbiana pueden manchar temporalmente la mucosa oral y los labios. La literatura también incluye análisis de imágenes digitales como la espectroscopia de autofluorescencia inducida por láser y el espacio de color HIS para la detección de placa dental microbiana. Sin embargo, los inconvenientes, como el elevado coste de los equipos y la estandarización técnica, limitan su uso.
Por estas razones, este estudio tiene como objetivo desarrollar un modelo de inteligencia artificial (IA) asequible y de fácil acceso para el diagnóstico temprano y preciso de la placa dental microbiana en niños. El objetivo es prevenir diversos problemas periodontales y motivar la higiene bucal mediante la evaluación del rendimiento de diagnóstico y detección de este modelo de IA.
Con los avances en inteligencia artificial para el procesamiento de imágenes, la investigación sobre la detección, segmentación y cuantificación de la placa dental en imágenes capturadas por cámaras dentales ha aumentado significativamente. Un estudio intentó detectar la placa dental utilizando un algoritmo de aprendizaje automático Enhanced K-Means. Además, se desarrolló una plataforma de Internet de las cosas (IoT) de salud dental basada en Mask R-CNN para clasificar siete enfermedades bucales diferentes, incluida la placa dental, con una tasa de precisión perfecta para el reconocimiento de la placa, aunque no para la segmentación.
Si bien el modelo U-Net se considera ampliamente exitoso y convencional en el ámbito del procesamiento de imágenes biomédicas, no hay estudios en la literatura sobre el análisis de la placa dental con U-Net y sus variantes. Además, no se han encontrado estudios sobre el análisis de la placa dental en dientes permanentes jóvenes de niños. Por lo tanto, este estudio intenta entrenar seis modelos de inteligencia artificial de última generación, incorporando variaciones del modelo U-Net, con el fin de predecir la placa dental en dientes permanentes jóvenes de niños. Posteriormente, sus actuaciones se resumen meticulosamente y se presentan para un análisis exhaustivo. Finalmente, para validar la viabilidad clínica del modelo de mejor rendimiento, se realizan pruebas de hipótesis estadísticas que comparan las predicciones del modelo de IA con las evaluaciones de tres dentistas.
Tipo de estudio
Inscripción (Actual)
Fase
- No aplica
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
Üsküdar
-
Istanbul, Üsküdar, Pavo
- Banu Çiçek Tez
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Dientes permanentes jóvenes anteriores
Criterios de exclusión:
- Dientes permanentes jóvenes anteriores que presentan alteraciones en la integridad del tejido del esmalte, como caries.
- Hipoplasia, hipomineralización.
- Dientes restaurados y tratados protésicamente
- Dientes permanentes jóvenes ubicados en la región posterior.
- dientes primarios
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Diagnóstico
- Asignación: No aleatorizado
- Modelo Intervencionista: Asignación factorial
- Enmascaramiento: Triple
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Experimental: Grupo de modelos de aprendizaje profundo
Como modelos de inteligencia artificial se seleccionaron los modelos DeepLabV3+, Mask R-CNN (Detectron2), YOLOv8, U-Net, Super Vision U-net y U-Net Transformer, que son lo último en segmentación semántica.
|
DeepLabV3+, Mask R-CNN (Detectron2), YOLOv8, U-Net, Super Vision U-net y U-Net Transformer se entrenaron en 354 imágenes y se probaron en 79 imágenes.
Otros nombres:
|
|
Comparador activo: La diferencia entre el modelo de IA (U-Net Transformer) y el grupo de dentistas
Utilizando el conocimiento previo (α = 0,05, β = 0,2) y un tamaño del efecto de 0,61, el poder real de la comparación entre el modelo de IA (U-Net Transformer) y los dentistas en 34 imágenes de prueba es al menos del 80 %, lo que es considerado suficiente. Por lo tanto, tres dentistas etiquetaron 35 imágenes seleccionadas al azar en el conjunto de datos de prueba sin ver la verdad fundamental y fueron predichas por el modelo de IA. Luego, se calculó la puntuación de intersección sobre unión (IoU) de estas imágenes etiquetadas y predichas. La puntuación IoU, que calcula la relación entre la intersección y la unión de dos conjuntos, se utiliza comúnmente para evaluar la precisión de la predicción en la segmentación semántica. Para confirmar la viabilidad clínica, se aplicaron tres pruebas t, que evalúan la diferencia entre las medias de dos variables, a las puntuaciones de IoU de los dentistas y a las puntuaciones de IoU del modelo AI y un valor de p < 0,05 se consideró estadísticamente significativo. |
Para determinar la viabilidad clínica del modelo de mejor rendimiento, se realizan pruebas de hipótesis estadísticas que comparan las predicciones del modelo de IA con las evaluaciones de tres dentistas.
Otros nombres:
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Determinación de los valores de IoU y Dice Coeficiente entre seis modelos de estado de la IA
Periodo de tiempo: dos semanas
|
La puntuación IoU, que calcula la relación entre la intersección y la unión de dos conjuntos, se utiliza comúnmente para evaluar la precisión de la predicción en la segmentación semántica. DeepLabV3+, Mask R-CNN (Detectron2), YOLOv8, U-Net, Super Vision U-net y U-Net Transformer se entrenaron en 354 imágenes y se probaron en 79 imágenes. Los valores de IoU y Dice Coeficiente se establecieron entre seis modelos de estado de la IA. A medida que aumenta la puntuación de IoU, aumenta la puntuación de predicción. A medida que aumenta la puntuación, se vuelve más distintiva a la hora de determinar el modelo que proporciona resultados más cercanos al resultado correcto. |
dos semanas
|
|
Puntuaciones de predicción de los dentistas y U-Net Transformer en 35 imágenes de prueba
Periodo de tiempo: dos semanas
|
Las puntuaciones de predicción de los tres dentistas y el modelo de IA (U-Net Transformer) en 35 imágenes de prueba
|
dos semanas
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Resultados de la prueba T que comparan el modelo de IA y los tres dentistas
Periodo de tiempo: dos semanas
|
Resultados de la prueba T que comparan el modelo de IA y tres dentistas Comparación de puntuaciones de predicción de tres dentistas y el modelo de IA (U-Net Transformer) en 35 imágenes de prueba. El modelo de IA registró puntuaciones de IoU en 35 imágenes de prueba según tres dentistas. El modelo de IA se comparó con los dentistas en cuanto a recuperación, coeficiente de dados, puntuaciones de IoU y puntuación de precisión. Estas puntuaciones se utilizaron para distinguir entre falsos positivos y verdaderos positivos. En otras palabras, aunque no hay placa en los dientes, ¿la IA actúa como si hubiera placa en los dientes o muestra el resultado real correcto? |
dos semanas
|
Colaboradores e Investigadores
Patrocinador
Investigadores
- Investigador principal: Banu Çiçek Tez, Ph.D, Ankara Medipol University
Publicaciones y enlaces útiles
Publicaciones Generales
- Liu L, Xu J, Huan Y, Zou Z, Yeh SC, Zheng LR. A Smart Dental Health-IoT Platform Based on Intelligent Hardware, Deep Learning, and Mobile Terminal. IEEE J Biomed Health Inform. 2020 Mar;24(3):898-906. doi: 10.1109/JBHI.2019.2919916. Epub 2019 Jun 7.
- You W, Hao A, Li S, Wang Y, Xia B. Deep learning-based dental plaque detection on primary teeth: a comparison with clinical assessments. BMC Oral Health. 2020 May 13;20(1):141. doi: 10.1186/s12903-020-01114-6.
- Li S, Guo Y, Pang Z, Song W, Hao A, Xia B, Qin H. Automatic Dental Plaque Segmentation Based on Local-to-Global Features Fused Self-Attention Network. IEEE J Biomed Health Inform. 2022 May;26(5):2240-2251. doi: 10.1109/JBHI.2022.3141773. Epub 2022 May 5.
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Actual)
Finalización del estudio (Actual)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Estimado)
Actualizaciones de registros de estudio
Última actualización publicada (Estimado)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- AnkaraMedipolU-DNT-BCT-01
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .