- ICH GCP
- Registre américain des essais cliniques
- Essai clinique NCT05685355
Évaluation de la santé des gencives par IA avec smartphone
Détection automatique des maladies des gencives à plusieurs niveaux basée sur un réseau neuronal profond : algorithme et système
Contexte Les maladies dentaires les plus courantes sont la carie dentaire (caries) et les maladies des gencives (gingivite et parodontite). Évidemment, ces maladies sont causées par la plaque dentaire (biofilm bactérien). Bien que la plupart des patients se brossent les dents tous les jours, ils ne peuvent pas garder toutes leurs dents propres. Les zones de la bouche difficiles d'accès, telles que les zones encombrées, les dents postérieures ou les zones interdentaires, sont généralement touchées (spécifiques au site). Après un nettoyage professionnel approfondi des dents, la plaque dentaire commencera à s'accumuler sur la surface de la dent près du bord de la gencive en quelques jours. Des études cliniques indiquent qu'une perturbation régulière de la plaque est nécessaire et peut prévenir et arrêter les maladies des gencives. Cependant, les maladies dentaires peuvent prendre des années à se développer, le patient ne présente généralement aucun symptôme de douleur à moins que la maladie n'ait progressé jusqu'au stade avancé. Une quantité importante de ressources et de temps clinique a été utilisée pour motiver et demander aux patients de garder leur bouche propre et pourtant les résultats ne sont pas satisfaisants. Il est souhaitable d'adopter une technique automatisée de surveillance quotidienne de la santé bucco-dentaire afin que nous puissions rechercher un traitement en cas de besoin.
La réponse des patients à la plaque accumulée au bord de la gencive est une inflammation qui amène plus de cellules sanguines sur le site pour lutter contre l'invasion bactérienne. L'inflammation de la gencive se manifeste par une augmentation de la rougeur (couleur), une augmentation du volume (œdème) et une perte des caractéristiques de surface (pointillés ; fixation des fibres gingivales). Ces zones touchées peuvent être identifiées par inspection visuelle avec le dentiste lors de la consultation ou par photographie intra-orale. L'objectif de cette recherche est d'appliquer la technologie des réseaux de neurones profonds pour détecter l'inflammation des gencives à partir de photos intrabuccales. Comme le site d'inflammation cible se situe au bord de la gencive avec une forme et une taille variées, une segmentation sémantique au niveau du pixel est nécessaire.
Dans cette recherche, nous prévoyons d'avoir une étude approfondie de l'approche du réseau neuronal profond (DNN) pour la détection automatique des maladies des gencives à plusieurs niveaux. Des photographies intrabuccales standardisées seront collectées pour 1200 cas et seront étiquetées par plusieurs dentistes comme "malades" (inflammation), "saines" ou "douteuses". Seule la zone des gencives dans laquelle les dentistes ont la même cote sera utilisée pour former/valider le système. En utilisant le système développé avec succès, on peut utiliser son appareil mobile pour surveiller la santé de ses gencives en cas de besoin. Ils peuvent être en mesure de prévenir les deux principales maladies bucco-dentaires (carie dentaire et maladies des gencives) avec un coût supplémentaire minime. Ce sera une contribution importante à la promotion des soins dentaires publics.
Objectif de l'étude Cette étude vise à entraîner et valider l'ordinateur pour surveiller automatiquement l'inflammation des gencives à l'aide de photos intrabuccales standardisées et d'un selfie par smartphone.
- pour collecter 1200 photographies intra-orales standard et recadrées au hasard dans des ensembles de formation et de validation.
- pour développer des images d'étiquettes de gingivite de vérité au sol en quatre niveaux d'état de santé (sain, sain douteux, malade douteux et malade) et vérifiées par des spécialistes dentaires.
- développer un système intelligent pour détecter automatiquement les sites de maladies enflammées avec quatre niveaux d'état de santé.
- développer et normaliser le protocole d'acquisition d'images pour la détection avec des appareils mobiles.
Hypothèse Un outil de diagnostic devrait être capable de diagnostiquer la vraie maladie et la vraie santé, décrites comme sensibilité (positive quand vraie maladie) et spécificité (négative quand vraie santé). Le résultat principal sera l'aire sous la courbe des caractéristiques de fonctionnement du récepteur (ROC) (AUC). L'hypothèse de cette étude est que le système de détection gingival formé est capable de détecter les changements de l'inflammation des gencives avec une sensibilité et une spécificité élevées.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
I. Introduction Les maladies dentaires les plus répandues sont la carie dentaire (caries) et les maladies des gencives (gingivite et parodontite). Il est prouvé que ces maladies sont causées par la plaque dentaire (biofilm bactérien) [1]-[3]. Bien que la plupart des patients se brossent les dents tous les jours, ils ne peuvent pas garder toutes leurs dents propres. Les zones de la bouche difficiles d'accès, telles que les zones encombrées, les dents postérieures ou les zones interdentaires, sont généralement touchées (spécifiques au site) [4]. Après un nettoyage professionnel approfondi des dents, la plaque commence à s'accumuler à la surface des dents près du bord de la gencive en quelques jours. Des études cliniques indiquant que des perturbations régulières de la plaque sont nécessaires et peuvent prévenir et arrêter les maladies des gencives [5]. Cependant, les maladies dentaires peuvent prendre des années à se développer, le patient ne présente généralement aucun symptôme douloureux [6] à moins que la maladie n'ait progressé jusqu'au stade avancé. Une quantité importante de ressources et de temps clinique a été utilisée pour motiver et demander aux patients de garder leur bouche propre et pourtant les résultats ne sont pas satisfaisants. Il est souhaitable d'adopter une technique automatisée de surveillance quotidienne de la santé bucco-dentaire afin de pouvoir rechercher un traitement en cas de besoin.
La réponse des patients à la plaque accumulée au niveau du bord gingival est une inflammation qui amène plus de cellules sanguines sur le site pour lutter contre l'invasion bactérienne [7]. L'inflammation de la gencive se manifeste par une augmentation de la rougeur (couleur), une augmentation du volume (œdème) et une perte des caractéristiques de surface (pointillés, attache des fibres gingivales) [8]. Ces sites malades peuvent être identifiés par un examen visuel des dentistes. De plus, ces changements inflammatoires de la gencive peuvent également être reconnus par la photographie intrabuccale. L'objectif de cette recherche est d'appliquer des techniques d'intelligence artificielle (IA) pour détecter l'inflammation des gencives à partir de photographies intrabuccales. Comme le site d'inflammation cible se situe au bord de la gencive avec une forme et une taille variées, une segmentation sémantique au niveau du pixel est nécessaire. Pour cette recherche, nous avons effectué quelques travaux de recherche préliminaires. Le réseau d'encodeurs-décodeurs DeepLabv3+ [9] avec une dorsale légère MobileNetV2 [10] a été adopté pour effectuer une segmentation sémantique pixel par pixel de l'inflammation gingivale à partir des photographies intrabuccales. Les photographies sont indexées par un spécialiste dentaire ayant plus de 15 ans d'expérience clinique afin d'obtenir les images de la catégorie index pour la formation en réseau.
II. Travaux réalisés par d'autres La première tentative de segmentation automatisée des maladies gingivales à partir d'images intra-orales avec une approche d'apprentissage en profondeur est proposée dans [11]. Il adopte une architecture de réseau d'auto-encodeur avec un réseau de neurones à convolution profonde. L'ensemble de données utilisé comprend 405 images de biomarqueurs intra-oraux à couleur augmentée provenant de 150 individus. Les zones d'inflammation gingivale ont été étiquetées par un professionnel dentaire et le réseau formé peut prédire l'inflammation avec une aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) de 0,746. Les valeurs de précision et de rappel sont respectivement de 0,347 et 0,621. Le réseau a été formé à l'étiquetage sur les gencives malades. Certains calculs sur les dents ont également été prédits comme des gencives malades car leur couleur jaunâtre est techniquement proche de celle des gencives malades. De plus, certaines parties de la zone gingivale non intéressée ont également été prédites comme des gencives malades. La segmentation globale n'est pas satisfaisante.
III. Nos travaux préliminaires Les photographies intrabuccales de patients de la Faculté de médecine dentaire de l'Université de Hong Kong (HKU), qui ont subi un traitement parodontique, ont été recueillies pour l'étude préliminaire. L'étude a été approuvée par le comité d'examen institutionnel de HKU (UW20-230). Au total, 110 photographies intra-orales standard avec différentes résolutions ont été collectées. Ils sont recadrés manuellement en différentes images plus petites et les étiquettes cibles occupent la plus grande image possible, ce qui est très bénéfique pour la formation. La taille de l'image recadrée est unifiée à 512×512. L'ensemble de données complété est divisé en deux ensembles, respectivement 337 images pour la formation et 110 images pour la validation. Étant donné qu'il existe plusieurs images correspondant à un patient, lors de la division de l'ensemble de données, l'image du même patient n'apparaîtra pas dans les deux ensembles de données divisés. Ils sont étiquetés en quatre niveaux d'état de santé (sain, douteux en bonne santé, douteux malade et malade) et vérifiés par un spécialiste dentaire avec plus de 15 ans d'expérience clinique. L'architecture de segmentation sémantique proposée est basée sur le réseau DeepLabv3+ avec Xception et MobileNetV2 comme backbone. Les résultats expérimentaux montrent l'efficacité du système proposé, qui montre une application possible sur l'auto-contrôle dentaire à l'aide d'une application mobile, en particulier pendant la pandémie de la maladie où la visite chez le dentiste est difficile, voire impossible. Le modèle de réseau proposé permet de prédire le contour de la zone gingivale intéressée. Les résultats des expériences montrent que le modèle de segmentation proposé peut diviser avec précision la majeure partie de la zone d'inflammation des gencives en quatre catégories. Le mIoU est de 0,3514. On pense qu'en élargissant l'ensemble de données et en optimisant la structure du réseau, les performances peuvent être encore améliorées. Le travail de recherche sur le préliminaire a été publié dans [16].
IV. Principaux enjeux et lacune de la recherche
A. Il n'y a pas de modèle de réseau neuronal de segmentation sémantique spécifique au site à plusieurs niveaux pour la détection automatique de l'inflammation gingivale à partir d'une photographie intra-orale.
B. Il n'y a pas d'ensemble de données de formation bien étiqueté pour l'application de la détection automatique de l'inflammation gingivale à partir d'une photographie intra-orale.
Référence:
- J.K. Clarke, "Sur le facteur bactérien dans l'étiologie des caries dentaires", British journal of experimental pathology, vol. 5, non. 3, p. 141-147, 1924.
- S.S. Socransky, A.D. Haffajee, « L'étiologie bactérienne de la maladie parodontale destructrice : concepts actuels », Journal of periodontology, vol. 63, p. 322-331, 1992.
- W.F. Liljemark, C. Bloomquist, "Écologie microbienne orale humaine et caries dentaires et maladies parodontales," Critical Reviews in Oral Biology & Medicine, vol. 7, non. 2, p. 180-198, 1996.
- HJ Breen, N.W. Johnson, PA Rogers, "Changement de niveau d'attachement spécifique au site détecté par un sondage physique dans la parodontite chronique adulte non traitée: revue des études 1982-1997," Journal of periodontology, vol. 70, non. 3, p. 312-328, 1999.
- H. Löe, "Hygiène buccale dans la prévention des caries et des maladies parodontales", Journal dentaire international, vol. 50, non. 3, p. 129-139, 2000.
- L. Croxson, « Conscience parodontale : la clé de la santé parodontale », Journal dentaire international, vol. 43, (2 Supplément 1) p. 167-177, 1993.
- R. Genco, J. Slots, "Réponses de l'hôte Réponses de l'hôte dans les maladies parodontales", Journal of dental research, vol. 63, non. 3, p. 441-451, 1984.
- G. C. Armitage, "Évaluation clinique des maladies parodontales," Parodontologie 2000, vol. 7, non. 1, pages 39-53, 1995.
- L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff et H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation," in Actes de la conférence européenne sur la vision par ordinateur (ECCV), 2018, pp. 801-818.
- M. Sandler, A. Howard, M. Zhu, A. Zhmoginov et L. Chen, "MobileNetV2 : Résiduels inversés et goulots d'étranglement linéaires", lors de la conférence IEEE/CVF 2018 sur la vision par ordinateur et la reconnaissance de formes, Salt Lake City, UT, États-Unis , 2018, p. 4510-4520.
- A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu et P. Shah, "Segmentation automatisée des maladies gingivales à partir d'images orales", en 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, USA, 2017, pp . 144-147.
- O. Ronneberger, P. Fischer, T. Brox, "U-Net : Réseaux convolutifs pour la segmentation d'images biomédicales", dans 18e Conférence internationale sur l'informatique médicale et l'intervention assistée par ordinateur (MICCAI), 2015, pp. 234-241.
- B. Zoph, V. Vasudevan, J. Shlens et Q.V. Le, "Apprentissage d'architectures transférables pour la reconnaissance d'images évolutives", dans la conférence IEEE/CVF 2018 sur la vision par ordinateur et la reconnaissance de formes, Salt Lake City, UT, États-Unis, 2018, pp. 8697-8710.
- F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," dans 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 1800-1807.
- M.X. Tan et Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", dans Actes de la 36e Conférence internationale sur l'apprentissage automatique, PMLR, 2019, vol. 97, p. 6105-6114.
- G.-H. Li, T.-C. Hsung, B.W.-K. Ling, W.Y.-H. Lam, G. Pelekos et C. McGrath, "Détection automatique des maladies des gencives à plusieurs niveaux spécifique au site basée sur un réseau de neurones profonds", en 2021 15e Symposium international sur les technologies de l'information et de la communication médicales (ISMICT) (ISMICT2021), Xiamen, Chine, Avr. 2021.
Type d'étude
Inscription (Anticipé)
Contacts et emplacements
Coordonnées de l'étude
- Nom: Tai Chiu Hsung, PhD
- Numéro de téléphone: (852)28590270
- E-mail: tchsung@hku.hk
Sauvegarde des contacts de l'étude
- Nom: Yu Hang Lam, MDS
- Numéro de téléphone: (852)28590306
- E-mail: retlaw@hku.hk
Lieux d'étude
-
-
-
Hong Kong, Hong Kong
- Recrutement
- Faculty of Dentistry, The University of Hong Kong
-
Contact:
- Yu Hang Lam, MDS
- Numéro de téléphone: (852) 28590306
- E-mail: retlaw@hku.hk
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
Accepte les volontaires sains
Sexes éligibles pour l'étude
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Sujets adultes fréquentant le Prince Philip Dental Hospital (PPDH) qui sont en mesure de donner leur consentement éclairé.
- Sujets chez qui on a diagnostiqué une gingivite seulement et qui ont 24 dents ou plus.
- Sujets qui sont par ailleurs en bonne santé médicale.
- Sujets pouvant assister à plusieurs visites chez le dentiste.
Critère d'exclusion:
- Sujets souffrant d'infection dentaire aiguë ou de douleur.
- Sujets qui ont des maladies de la muqueuse buccale qui empêchent la rétraction des tissus mous pour les photos.
- Sujets qui sont dans un appareil fixe pour un traitement orthodontique.
- Les sujets qui sont enceintes ou médicalement inaptes à la cartographie parodontale ou qui nécessitent une couverture antibiotique (par ex. risque d'endocardite infectieuse)
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Modèles d'observation: Cas uniquement
- Perspectives temporelles: Éventuel
Cohortes et interventions
Groupe / Cohorte |
Intervention / Traitement |
---|---|
Échantillons de gingivite
Critère d'intégration:
Critère d'exclusion
|
Les photos de la bouche seront prises avec un écarteur en plastique pour rétracter la joue et les lèvres du sujet.
Il s'agit d'une procédure clinique standard qui est non invasive et ne cause aucun dommage ou effet indésirable sur les sujets.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Base de données de photographies intrabuccales standard avec étiquette de vérité terrain sur la gingivite
Délai: 1/1/2023-31/12/2025
|
|
1/1/2023-31/12/2025
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
---|---|---|
Résultat rapporté par le patient sur l'utilisation des selfies sur smartphone
Délai: 1/1/2023-31/12/2025
|
Les résultats rapportés par les patients sur l'utilisation des selfies sur smartphone seraient enregistrés sur une échelle visuelle analogique (EVA)
|
1/1/2023-31/12/2025
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Anticipé)
Achèvement de l'étude (Anticipé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Estimation)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Estimation)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- UW21-447
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Photographie intra-orale standardisée
-
Innervo Technology LLCUniversity of Missouri-Columbia; Blue Ridge Physical TherapyRésiliéTrouble vestibulaireÉtats-Unis
-
Forest LaboratoriesComplétéSyndrome de l'intestin irritable | Constipation | Allaitement maternelÉtats-Unis
-
Huai'an First People's HospitalActif, ne recrute pasCarcinome épidermoïde de l'œsophageChine
-
Medical University of ViennaRecrutementTransplantation pulmonaireL'Autriche
-
National Liver Institute, EgyptQuesna Central Hospital, Ministry Of Health, EgyptComplétéInsuffisance hépatique fulminanteEgypte
-
University of UtahMallinckrodtRésiliéSclérose en plaques progressive secondaireÉtats-Unis
-
University College, LondonKing's College London; NHS Lothian; University Hospital Plymouth NHS Trust; London...ComplétéLa dépression | Maladie de ParkinsonRoyaume-Uni