Läheisten kariesten havaitseminen purentaröntgenkuvissa tekoälyn avulla
keskiviikko 4. helmikuuta 2026 päivittänyt: Rawda Hesham Abd ElAziz, Cairo University
Lähiöntyvien kariesten havaitseminen purentaröntgenkuvissa tekoälyn avulla - Diagnostinen kliininen tutkimus
Käyttämällä sarjaa purentakuvia, tekoäly auttaa tunnistamaan hampaiden välisiä reikiä.
Hampaiden reikien tunnistamiseksi purenta-, huippu- ja panoramakuvissa luodaan koulutettu syväoppimisverkko. Tämän tutkimuksen tavoitteena oli tutkia uuden tekoälymalliin perustuvan syväoppimisen luotettavuutta hampaiden välisen reikätunnistuksessa digitaalisia purentakuvia käyttäen.
(BW).
Tutkimuksen yleiskatsaus
Tila
Valmis
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
2000
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
-
Cairo, Egypti, 11331
- Ain Shams University
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Joo
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Potilaat, jotka saapuvat tiedekunnan hammaslääketieteen poliklinikalle ja jotka tarvitsevat puruhammasradiografista tutkimusta rutiinidiagnoosia tai hoitosuunnittelua varten.
Kuvaus
Sisällyttämiskriteerit:
- Potilaat, joilla on kaikki pysyvät premolaarit ja molaarit (enintään yksi puu puuttuu kummaltakin puolelta)
Poissulkemiskriteerit:
- 1-Hampaiden poikkeavuudet → Amelogenesis imperfecta, Dentinogenesis imperfecta, taurodontismi 2-Vakava hampaiden tiheys, joka estää hampaiden kontaktien visualisoinnin 3-Ortodontiset langat kiinnitettynä hammasemaliin
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Ryhmä 1: Keinotekoinen äly Diagnoosissa käytettävä syväoppiminen lähikariesta
|
Tekoälyä käytettiin syväoppimiseen perustuvana diagnostiikkatyökaluna havaitsemaan läheiset kariikset digitaalisissa purentakuvissa.
Järjestelmä analysoi kuvia ja loi todennäköisyyspisteet sekä visuaaliset merkinnät epäillyille vaurioille.
Sen suorituskykyä verrattiin asiantuntijatarkastajien diagnooseihin vertailustandardina.
Tekoälytuloksia käytettiin vain arviointiin, eivätkä ne vaikuttaneet potilashoitopäätöksiin.
|
|
Ryhmä 2: Digitaalinen purenta-kuva, joka on ihmisasiantuntijoiden manuaalisesti annotoima
|
Digitaaliset purentakuvat merkittiin manuaalisesti kalibroitujen asiantuntijoiden toimesta tunnistamaan hampaiden välikarien esiintyminen ja sijainti.
Merkinnät tehtiin standardoitujen diagnostisten kriteerien ja erikoistuneen kuvantamisohjelmiston avulla epäiltyjen vaurioiden merkitsemiseksi.
Nämä asiantuntijamerkinnät toimivat vertailuperusteena tekoälyn tuotosten kanssa.
Tarkastajien välistä yhteensopivuutta arvioitiin ja erimielisyydet ratkaistiin konsensuspäätöksellä.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
Tekoälymallin luotettavuus lähiympäristön kariesten havaitsemisessa digitaalisilla purentaröntgenkuvilla
Aikaikkuna: poikkileikkausarviointi alkuvaiheessa, ilman seurantajaksoa
|
poikkileikkausarviointi alkuvaiheessa, ilman seurantajaksoa
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Yhteistyökumppanit
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Sunnuntai 15. tammikuuta 2023
Ensisijainen valmistuminen (Todellinen)
Maanantai 15. syyskuuta 2025
Opintojen valmistuminen (Todellinen)
Maanantai 1. joulukuuta 2025
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Keskiviikko 4. helmikuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Keskiviikko 4. helmikuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Keskiviikko 11. helmikuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Keskiviikko 11. helmikuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Keskiviikko 4. helmikuuta 2026
Viimeksi vahvistettu
Sunnuntai 1. helmikuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- CONS_ Rad 1180
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .