A periapikális radiolucencia számítógéppel segített kimutatásának pontossága a kúpnyalábú komputertomográfiás képeken mesterséges intelligencia segítségével

• Tanulmánytervezés: Diagnosztikai pontossági vizsgálat
• Beállítás és hely: A visszamenőleges adatgyűjtést az indexteszt és a referenciastandard elvégzése előtt tervezzük. A tanulmány CBCT-adatait a Kairói Egyetem Fogorvostudományi Kar Száj- és Állcsont-Radiológiai Tanszékén elérhető CBCT-adatbázisból, valamint a különböző CBCT-gépekkel elérhető online adatkészletekből nyerjük.

Azon egyiptomi betegek CBCT-vizsgálatai, akik már átestek CBCT-vizsgálaton fogászati ​​diagnózisuk és/vagy kezelési tervük részeként, a javasolt alkalmassági kritériumoknak megfelelően szerepelnek.

B) Résztvevők:

A mintaméret-számítás alapján CBCT-vizsgálatok során 50, az állkapocs felső és alsó részének különböző helyein lévő periapikális radiolucens léziót találtak. A beillesztendő szkennelések kiválasztása a következő alkalmassági kritériumok alapján történik.

Bevételi kritériumok:

• A maxilla és a mandibula CBCT vizsgálata jó minőségű szabad pf periapikális radiolucens léziókkal.
• A maxilla és a mandibula CBCT-vizsgálata jó minőségű, periapikális radiolucens léziókat mutatva.

Kizárási kritériumok:

• Az optimálisnál alacsonyabb minőségű CBCT-képek vagy műtermékek/nagy szórás zavarja a megfelelő értékelést.

C) Változók:

• A periapikális elváltozásokkal kapcsolatos változó CBCT adatok részleteit DICOM formátumban anonimizáltuk, majd a fájlokat továbbítják a Kairói Egyetem mérnöki karának matematikai mérnöki tanszékéhez a mélytanulási modell megvalósítása érdekében, amely két fázisból áll.

D) Adatforrások/Mérések:

• Az anonimizált retrospektív adatok CBCT-felvételeit kutatási célokra használják fel, a betegek aktív bevonása nélkül. A periapikális radiolucens léziók kimutatására különböző CBCT-gépek szkenneléseit használjuk, és előzetesen importáljuk a Blue Sky Bio CBCT-megtekintő szoftverbe.

Lokalizációs adatkészletek.

1. Metszőfogak-szemfogak (elülső fogak) Maxilláris Mandibula
2. premolárisok -őrlőfogak (hátsó fogak) Maxillaris Mandibularis

A periapikális elváltozásokat tartalmazó CBCT-adatokat DICOM formátumban anonimizáltuk, majd a fájlokat továbbítják a kairói egyetem mérnöki karának matematikai mérnöki tanszékéhez a mély tanulási modell megvalósítása érdekében, amely két fázisból áll.

Képzési és érvényesítési szakasz Tesztelési szakasz Tesztkészlet szétválasztása. Az annotáció első szakaszának befejezése után egy tesztet leválasztottak az annotált adatkészletből, és kizárták az összes következő fejlesztési tevékenységből.

Modellfejlesztési adatkészlet. A fennmaradó megjegyzésekkel ellátott adattárból (pl. nem szerepel a tesztkészletben) képzési és érvényesítési részhalmazokra osztottuk, mivel ft volt a feladathoz.

Mivel a mély tanuláson alapuló módszerek teljesítménye nagymértékben támaszkodik nagyszámú címkézett adatkészletre. A meglévő CNN-alapú módszerek (12, 16) először előképzik modelljüket a rendelkezésre álló online adatkészleten. Ezért egy elérhető online adatkészletet fogunk használni, amelyet Abdolali és munkatársai szolgáltattak a tanulmányukban (18) a kutatási munkához, majd finomhangoljuk a hálózatot az összegyűjtött mintánkon.

A képzéshez használt szkennelések pontos száma változhat, hogy elkerüljük az alul- vagy túlillesztést a modellben, így azt pontosan a kairói egyetem mérnöki matematika mérnöki kara fogja kijelölni.

E) Az elfogultság lehetséges forrásainak kezelése:

Nincs elfogultság forrása. Az indexszöveget egy számítógépes program végzi el, amelyet 2 tapasztalt radiológus által meghatározott alapigazságtól elvakítanak az indexteszt elvégzése előtt. a referenciastandard értékelőjét nem vetik alá az indexteszt eredményeinek, mivel mind az aranystandard, mind az indexteszt eredményeit táblázatba foglalják, és végül nem az értékelők, hanem más személy küldi el a statisztikusnak összehasonlításra.

F) A tanulmány mérete:

A teljesítményelemzést úgy tervezték meg, hogy megfelelő teljesítményt nyújtson annak a nullhipotézisnek a kétoldalú statisztikai tesztjének alkalmazásához, amely szerint a mélytanulási modell eredményei olyan pontosak, mint a radiológus véleménye. Egy (95%-os) konfidenciaintervallum elfogadásával és a DL-csoport (88,0%-os) specificitási értékével egy korábbi vizsgálat eredményei alapján (20) (21) és 100%-os alapigazságra: a minta mérete alapján számított a specificitáson (50) minta volt. A mintaméret számítását a Connor-egyenlet segítségével végeztük.

G) Mintavételi stratégia:

véletlenszerű mintavétel. H) Mennyiségi változók

I) Statisztikai módszerek:

Az érzékenységet, a specificitást, a pozitív prediktív értéket és a negatív prediktív értéket Leonardi Dutra és munkatársai (19) 0,80%-os diagnosztikai tesztek rangsora alapján számítják ki és osztályozzák. kiváló eredményeket, 70% és 80% között jónak, 60% és 69% között igazságosnak, ,60% pedig rossznak ítélte. A periapikális radiolucencia nélküli fogak szolgáltak kontrollként.