Tekoälyn kliiniseen tietoon perustuvan hybridijärjestelmän tarkkuus parodontiittien havaitsemiseksi OPG-kuvista

Parodontiitti on suuri kansanterveysongelma, koska sen esiintyvyys on suuri maailmanlaajuisesti, sillä on merkittäviä sosioekonomisia vaikutuksia ja merkittäviä vaikutuksia yksilöiden elämänlaatuun. Parodontiitti väestössä on kuitenkin suurelta osin havaitsematta. On erittäin tärkeää lisätä tietoisuutta parodontiitin terveydestä ja parantaa periodontiitin varhaista diagnosointia, jotta varmistetaan oikea-aikainen puuttuminen.

Vuoden 2018 periodontiitin ja peri-implantaattien sairauksien ja tilojen luokituksessa määritellään neljä periodontiitin vaihetta alkuvaiheesta (vaihe I) pitkälle edenneeseen vaiheeseen (vaihe IV). Vaiheissa II-IV kokonaisvaltaiset hoitotoimenpiteet ovat välttämättömiä, muuten on suuri riski hampaiden tai jopa koko hampaiden menetykseen. Vaikka kliinisiä tutkimuksia pidetään kultaisena standardina parodontiitin vaiheen määrittämisessä, prosessi on työläs ja aikaa vievä sekä vaatii erittäin kokeneita asiantuntijoita. Siksi vaihtoehtoisia kustannustehokkaita, mutta luotettavia ja päteviä lähestymistapoja vaiheen II-IV parodontiittidiagnoosien erottamiseen erityisesti julkisissa yhteisöissä tarvitaan erittäin paljon.

Ortopantomografia (OPG), joka tunnetaan myös nimellä panoraamaradiografia, on ei-invasiivinen ja pieniannoksinen kuvantamistekniikka, joka tarjoaa kattavan kuvan leuan alueesta yhdellä toimenpiteellä. Ekstraoraalisena röntgenkuvana sillä on etuja kuvan ottamisessa, erityisesti tapauksissa, joissa potilailla on vaikeuksia avata suunsa tai heillä on voimakas gag-refleksi, joka estää intraoraalisten kalvojen käytön. Siten OPG on todennäköisesti yleisimmin otettu hammasröntgenkuva ympäri maailmaa, ja se voi mahdollisesti toimia tehokkaana työkaluna vaiheen II-IV parodontiittien erottamisessa populaatioissa. Viime aikoina on tehty useita tutkimuksia OPG-kuvien hyödyntämiseksi parodontiittidiagnoosissa. Näiden tutkimusten strategiat perustuvat kuitenkin lääkäreiden tiettyjen maamerkkien radiografisiin merkintöihin, jotka eivät välttämättä ole riittävän tarkkoja. Lisäksi vain korkealaatuiset röntgenkuvat voisivat olla arvokas apu parodontiittidiagnoosissa, joten monet saatavilla olevat OPG-kuvat anatomisten rakenteiden päällekkäin, suhteeton kuvan suurennus, vääristymä ja epäterävyys voivat vähentää kehitetyn järjestelmän yleistymistä.

Tekoäly (AI) on noussut tehokkaaksi työkaluksi useilla lääketieteen aloilla, myös hammaslääketieteessä. Tekoälypohjaiset algoritmit, erityisesti syväoppimistekniikat, ovat osoittaneet merkittäviä kykyjä kuva-analyysissä, kuvioiden tunnistamisessa ja päätöksenteossa. Tekoälyteknologian integrointi hammaslääketieteessä on viime vuosina avannut uusia mahdollisuuksia parantaa diagnoosin tarkkuutta ja tehokkuutta. Tekoälypohjaiset algoritmit voivat pystyä tunnistamaan joitain ihmissilmälle huomaamattomia OPG-kuvien piirteitä, mikä mahdollistaa hienovaraisen luukadon havaitsemisen ja tarkemman periodontaalisen diagnoosin.

Erityisesti äskettäisen tutkimuksemme havainnot paljastivat, että tekoälyalgoritmit ja kliiniset tiedot yhdistävä hybridijärjestelmä kykenee hyvin erottamaan vaiheen II-IV parodontiitti. Tämän hybridijärjestelmän kehitysprosessissa käytettiin vain kokeneiden asiantuntijoiden toimittamaa kliinistä tietoa eikä radiografisia huomautuksia käytetty. Huolimatta alkuperäisestä tutkimuksestamme kehitetyn hybridijärjestelmän lupaavasta potentiaalista, on välttämätöntä kouluttaa ja validoida sitä edelleen erilaisissa itsenäisissä populaatioissa, koska yhdestä näytteestä johdettu ennustussääntö voisi toimia paremmin toisessa näytteessä/populaatiossa. Lisäksi on perusteltua olettaa, että eri koneista otetut OPG-kuvat voivat vaikuttaa suuresti kehitetyn hybridijärjestelmän tarkkuuteen. Siksi on loogista suorittaa monikeskustutkimus, jossa kerätään erilaisia ​​OPG-kuvia eri keskuksista ympäri maailmaa, ja aineistoa käytetään jatkokoulutukseen ja hybridijärjestelmän validoimiseen varmistaen sen tarkkuuden ja tehokkuuden parodontiittidiagnoosissa.

Tässä tutkimuksessa vertaamme uuden tekoälyyn perustuvan kliinisen hybridijärjestelmän diagnostisia ominaisuuksia (indeksitesti) asiantuntijapaneeliin (viitestandardi). Asiantuntijat arvioivat itsenäisesti kaikki röntgenkuvat ja sopivat, jos niissä havaitaan poikkeavuuksia.