スマホでAI歯肉健康診断
ディープ ニューラル ネットワークに基づく複数レベルの歯周病の自動検出: アルゴリズムとシステム
背景 最も一般的な歯科疾患は、虫歯 (う蝕) と歯周病 (歯肉炎および歯周炎) です。 明らかに、これらの病気は歯垢（細菌性バイオフィルム）によって引き起こされます。 ほとんどの患者は毎日歯を磨きますが、すべての歯をきれいに保つことはできません。 密集した領域、奥歯または歯間領域など、アクセスが困難な口内の領域は、通常影響を受けます (部位固有)。 プロによる徹底的な歯のクリーニングの後、歯垢は数日以内に歯茎の縁近くの歯の表面に蓄積し始めます。 プラークの定期的な破壊が必要であり、歯周病を予防および停止できることを示す臨床研究。 しかし、歯の病気は発症するまでに何年もかかる場合があり、病気が進行した段階に進行しない限り、患者は通常、痛みの症状はありません。 患者に口内を清潔に保つように動機づけ、指導するために、かなりの量のリソースと臨床時間が費やされてきましたが、それでも満足のいく結果は得られていません。 必要なときに治療を受けられるように、口腔の健康を毎日監視するための自動化された技術を採用することが望ましい.
歯茎の縁に蓄積された歯垢に対する患者の反応は、細菌の侵入と戦うために、より多くの血球をその部位にもたらす炎症によるものです。 ガムの炎症は、赤みの増加（色）、体積の増加（浮腫）、および表面特性の喪失（点刻;ガム繊維の付着）として現れます。 これらの患部は、診察中の歯科医による目視検査または口腔内写真を使用して特定できます。 この研究の目的は、ディープ ニューラル ネットワーク技術を適用して、口腔内写真から歯茎の炎症を検出することです。 ターゲットの炎症部位はさまざまな形状とサイズの歯肉縁にあるため、ピクセル レベルでのセマンティック セグメンテーションが必要です。
この研究では、複数レベルの歯周病の自動検出のためのディープ ニューラル ネットワーク (DNN) アプローチの広範な研究を行う予定です。 標準化された口腔内写真が 1200 例について収集され、複数の歯科医によって「病気」(炎症)、「健康」または「疑わしい」と分類されます。 歯科医の評価が同じである歯肉領域のみが、システムのトレーニング/検証に使用されます。 開発に成功したシステムを使用すると、必要に応じてモバイル デバイスを使用して歯茎の健康状態を監視できます。 彼らは、最小限の追加費用で2つの主要な口腔疾患（虫歯と歯周病）を予防できるかもしれません. 公的な歯科医療の振興に大きく貢献するものとなるでしょう。
研究の目的 この研究は、標準化された口腔内写真とスマートフォンによるセルフィーを使用して、歯茎の炎症を自動的に監視するようにコンピューターをトレーニングし、検証することを目的としています。
- 1200 枚の標準的な口腔内写真を収集し、トレーニング セットと検証セットにランダムにトリミングしました。
- グラウンド トゥルース歯肉炎ラベル画像を 4 つの健康状態レベル (健康、疑わしい健康、疑わしい病気、病気) に発展させ、歯科専門家によって検証します。
- 4 つの健康状態レベルで炎症を起こした疾患部位を自動的に検出するインテリジェントなシステムを開発します。
- モバイルデバイスで検出するための画像取得プロトコルを開発および標準化する。
仮説 診断ツールは、感度 (真の疾患の場合は陽性) および特異度 (真の健康の場合は陰性) として説明される真の疾患と真の健康を診断できる必要があります。 主な結果は、受信者動作特性 (ROC) 曲線 (AUC) の下の領域になります。 この研究の仮説は、訓練された歯肉検出システムが、高い感度と特異性で歯茎の炎症の変化を検出できるというものです。
調査の概要
詳細な説明
I. はじめに 最も一般的な歯科疾患は、虫歯 (う蝕) と歯肉疾患 (歯肉炎および歯周炎) です。 これらの疾患は、歯垢（細菌性バイオフィルム）によって引き起こされることが証明されています [1]-[3]。 ほとんどの患者は毎日歯を磨きますが、すべての歯をきれいに保つことはできません。 密集した領域、奥歯または歯間領域などのアクセスが困難な口内の領域は、通常影響を受けます (部位固有) [4]。 プロによる徹底的な歯のクリーニングの後、歯垢は数日以内に歯茎の縁近くの歯の表面に蓄積し始めます。 プラークの定期的な破壊が必要であり、歯周病を予防および停止できることを示す臨床研究[5]。 しかし、歯科疾患は発症するまでに何年もかかる場合があり、疾患が進行した段階に進行しない限り、通常、患者には痛みの症状はありません [6]。 患者に口内を清潔に保つように動機付けし、指示するために、かなりの量のリソースと臨床時間が費やされてきましたが、それでも結果は満足のいくものではありません。 必要なときに治療を受けられるように、口腔の健康を毎日監視するための自動化された技術を採用することが望ましい.
歯肉縁に蓄積されたプラークに対する患者の反応は、細菌の侵入と戦うために、より多くの血球をその部位にもたらす炎症によるものです [7]。 歯茎の炎症は、赤みの増加（色）、体積の増加（浮腫）、および表面特性の喪失（点刻; 歯肉繊維の付着）として現れます[8]. これらの病変部位は、歯科医の目視検査によって特定できます。 さらに、これらの歯肉の炎症性変化は、口腔内写真でも認識できます。 この研究の目的は、人工知能 (AI) 技術を適用して、口腔内写真から歯茎の炎症を検出することです。 ターゲットの炎症部位はさまざまな形状とサイズの歯肉縁にあるため、ピクセル レベルでのセマンティック セグメンテーションが必要です。 この調査のために、いくつかの予備調査作業を行いました。 軽量バックボーン MobileNetV2 [10] を備えた DeepLabv3+ [9] エンコーダー/デコーダー ネットワークを採用して、口腔内写真から歯肉炎症のピクセルごとのセマンティック セグメンテーションを実行しました。 写真は、15 年以上の臨床経験を持つ歯科専門医によってインデックス付けされ、ネットワーク トレーニング用のインデックス カテゴリ イメージが取得されます。
Ⅱ．他の人が行った作業 深層学習アプローチを使用して口腔内画像から歯肉疾患を自動セグメンテーションする最初の試みが [11] で提案されています。 深い畳み込みニューラル ネットワークを備えたオートエンコーダー ネットワーク アーキテクチャを採用しています。 使用されるデータセットは、150 人の個人からの 405 の色増強された口腔内バイオマーカー画像で構成されます。 歯肉炎の領域は歯科専門家によってラベル付けされ、訓練されたネットワークは、受信者動作特性曲線 (AUC) 0.746 の下の領域で炎症を予測できます。 精度と再現率の値は、それぞれ 0.347 と 0.621 です。 ネットワークは、病気のガムのラベル付けでトレーニングされました。 歯の一部の歯石も、その黄色がかった色が病気の歯茎の色に技術的に近いため、病気の歯茎として予測されました. さらに、関心のない歯肉領域のいくつかの部分も、病気の歯茎として予測されました。 全体的なセグメンテーションは満足のいくものではありません。
III. 私たちの予備研究 歯周治療を受けた香港大学歯学部（HKU）の患者の口腔内写真が予備研究のために収集されました。 この研究は、HKU の治験審査委員会 (UW20-230) によって承認されました。 解像度の異なる合計 110 枚の標準的な口腔内写真が収集されました。 それらは手動で異なる小さな画像にトリミングされ、ターゲット ラベルは可能な限り最大の画像を占めます。これはトレーニングに非常に有益です。 トリミングした画像のサイズは512×512に統一されています。 完成したデータセットは、トレーニング用に 337 枚の画像、検証用に 110 枚の画像の 2 つのセットに分けられます。 1 人の患者に対応する画像が複数あることを考慮すると、データセットを分割する場合、分割された 2 つのデータセットに同じ患者の画像が表示されることはありません。 それらは 4 つの健康状態レベル (健康、疑わしい健康、疑わしい病気、病気) に分類され、15 年以上の臨床経験を持つ歯科専門医によって検証されます。 提案されているセマンティック セグメンテーション アーキテクチャは、Xception と MobileNetV2 をバックボーンとする DeepLabv3+ ネットワークに基づいています。 実験結果は、提案されたシステムの有効性を示しています。これは、特に歯科医への訪問が困難または不可能でさえある病気のパンデミック時に、モバイルアプリを使用した歯科セルフチェックへの適用の可能性を示しています。 提案されたネットワーク モデルは、関心のある歯肉領域の輪郭を予測できます。 実験結果は、提案されたセグメンテーション モデルが歯茎の炎症領域のほとんどを 4 つのカテゴリに正確に分割できることを示しています。 mIoU は 0.3514 です。 データセットを拡張し、ネットワーク構造を最適化することで、パフォーマンスをさらに向上させることができると考えられています。 予備に関する研究成果は [16] に掲載されました。
IV.主な問題と研究のギャップ
A. 口腔内写真からの自動歯肉炎検出のための複数レベルの部位固有のセマンティック セグメンテーション ニューラル ネットワーク モデルはありません。
B. 口腔内写真からの自動歯肉炎症検出を適用するための適切にラベル付けされたトレーニング データセットはありません。
参照：
- J.K.クラーク、「虫歯の病因における細菌因子について」、実験病理学の英国ジャーナル、vol. 5、いいえ。 3、pp。 141-147、1924年。
- S.S. Socransky、A.D. Haffajee、「破壊的な歯周病の細菌病因：現在の概念」、Journal of periodontology、vol. 63、pp。 322-331、1992。
- WF Liljemark、C. Bloomquist、「人間の口腔微生物生態学と虫歯と歯周病」、口腔生物学と医学の重要なレビュー、vol。 7、いいえ。 2、pp。 180-198、1996。
- H.J. ブリーン、N.W.ジョンソン、PA Rogers、「未治療の慢性成人歯周炎における物理的プロービングによって検出された部位固有の付着レベルの変化：1982年から1997年の研究のレビュー」、Journal of periodontology、vol. 70、いいえ。 3、pp。 312-328、1999。
- H. Löe、「う蝕および歯周病の予防における口腔衛生」、国際歯科ジャーナル、vol. 50、いいえ。 3、pp。 129-139、2000年。
- L. クロクソン、「歯周病の認識: 歯周病の健康への鍵」、インターナショナル デンタル ジャーナル、vol. 43、（2 Suppl 1）pp。 167-177、1993。
- R. Genco、J. Slots、「歯周病におけるホスト応答ホスト応答」、ジャーナル オブ デンタル リサーチ、vol. 63、いいえ。 3、pp。 441-451、1984年。
- G.C.アーミテージ、「歯周病の臨床評価」、Periodontology 2000、vol. 7、いいえ。 1, pp. 39-53, 1995.
- L.C. Chen、Y. Zhu、G. Papandreou、F. Schroff、H. Adam 共著「セマンティック イメージ セグメンテーションのためのアトラス分離可能な畳み込みを使用したエンコーダー/デコーダー」、コンピューター ビジョンに関する欧州会議 (ECCV) の議事録、2018 年、pp. 801-818。
- M. Sandler、A. Howard、M. Zhu、A. Zhmoginov、L. Chen 共著「MobileNetV2: Inverted Residuals and Linear Bottlenecks」、2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition、ソルトレイクシティ、ユタ州、米国、2018年、pp。 4510-4520。
- A. ラナ、G. ヤウニー、L.C.ウォン、O. グプタ、A. ムフトゥ、P. シャー、「口腔画像からの歯肉疾患の自動セグメンテーション」、2017 年 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT)、米国メリーランド州ベセスダ、2017 年、pp . 144-147。
- O. Ronneberger、P. Fischer、T. Brox、「U-Net: 生物医学画像セグメンテーションのための畳み込みネットワーク」、第 18 回医療画像コンピューティングおよびコンピュータ支援介入 (MICCAI) に関する国際会議、2015 年、pp. 234-241。
- B. Zoph、V. Vasudevan、J. Shlens、および Q.V. Le、「Learning Transferable Architectures for Scalable Image Recognition」、2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition、米国ユタ州ソルトレイクシティ、2018 年、pp. 8697-8710。
- F. Chollet、「Xception: Deep Learning with Depthwise Separable Convolutions」、2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)、米国ハワイ州ホノルル、2017 年、pp. 1800～1807年。
- M.X. Tan と Q.V.ル、「EfficientNet: 畳み込みニューラル ネットワークのモデル スケーリングの再考」、機械学習に関する第 36 回国際会議の議事録、PMLR、2019 年、vol. 97、pp。 6105-6114。
- G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W. Y.-H. Lam、G. Pelekos、および C. McGrath による「ディープ ニューラル ネットワークに基づく部位固有の複数レベルの歯周病の自動検出」、2021 年 15th International Symposium on Medical Information and Communication Technology (ISMICT) (ISMICT2021)、厦門、中国、 4月 2021年。
研究の種類
入学 (推定)
連絡先と場所
研究連絡先
- 名前：Tai Chiu Hsung, PhD
- 電話番号：(852)28590270
- メール：tchsung@hku.hk
研究連絡先のバックアップ
- 名前：Yu Hang Lam, MDS
- 電話番号：(852)28590306
- メール：retlaw@hku.hk
研究場所
-
-
-
Hong Kong、香港
- 募集
- Faculty of Dentistry, The University of Hong Kong
-
コンタクト：
- Yu Hang Lam, MDS
- 電話番号：(852) 28590306
- メール：retlaw@hku.hk
-
-
参加基準
適格基準
就学可能な年齢
健康ボランティアの受け入れ
サンプリング方法
調査対象母集団
説明
包含基準:
- -プリンスフィリップデンタルホスピタル（PPDH）に参加し、インフォームドコンセントを提供できる成人被験者。
- 歯肉炎のみと診断され、歯数が24本以上ある者。
- それ以外は医学的に健康な被験者。
- -複数の歯科訪問に参加できる被験者。
除外基準:
- -急性の歯の感染症または痛みのある被験者。
- -写真のための軟部組織の収縮を妨げる口腔粘膜疾患を有する被験者。
- -歯列矯正治療のために固定器具を使用している被験者。
- -妊娠している、または医学的に歯周チャートに適していない、または抗生物質の適用が必要な被験者（例： 感染性心内膜炎のリスク）
研究計画
研究はどのように設計されていますか？
デザインの詳細
- 観測モデル：ケースのみ
- 時間の展望：見込みのある
コホートと介入
グループ/コホート |
介入・治療 |
|---|---|
|
歯肉炎のサンプル
包含基準:
除外基準
|
口の写真は、被験者の頬と唇を引っ込めるためにプラスチック製の開創器で撮影されます。
これは、非侵襲的で、被験者に害や悪影響を与えない標準的な臨床手順です。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
グラウンドトゥルース歯肉炎ラベル付きの標準的な口腔内写真のデータベース
時間枠：2023 年 1 月 1 日～2025 年 12 月 31 日
|
|
2023 年 1 月 1 日～2025 年 12 月 31 日
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
患者は、スマートフォンのセルフィーの使用に関する結果を報告しました
時間枠：2023 年 1 月 1 日～2025 年 12 月 31 日
|
スマートフォンのセルフィーの使用に関する患者報告の結果は、ビジュアル アナログ スケール (VAS) で記録されます。
|
2023 年 1 月 1 日～2025 年 12 月 31 日
|
協力者と研究者
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (推定)
研究の完了 (推定)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (推定)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
本研究に関する用語
その他の研究ID番号
- UW21-447
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
IPD プランの説明
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
米国で製造され、米国から輸出された製品。
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。