Nauwkeurigheid van een AI-klinisch, op kennis gebaseerd hybride systeem voor het detecteren van parodontitis in OPG-beelden

Parodontitis is een groot probleem voor de volksgezondheid vanwege de hoge prevalentie ervan wereldwijd, de aanzienlijke sociaal-economische gevolgen en de aanzienlijke gevolgen voor de levenskwaliteit van individuen. Parodontitis in de bevolking blijft echter grotendeels onopgemerkt. Het is van cruciaal belang om het bewustzijn over de parodontale gezondheid te vergroten en de vroege diagnose van parodontitis te verbeteren om tijdige interventie te garanderen.

De classificatie van parodontale en peri-implantaire ziekten en aandoeningen van 2018 definieert vier stadia van parodontitis, variërend van de beginfase (fase I) tot de gevorderde fase (fase IV). In de fasen II-IV zijn uitgebreide behandelingsprocedures essentieel, anders bestaat er een groot risico op verlies van tanden of zelfs het gehele gebit. Hoewel klinische onderzoeken worden beschouwd als de gouden standaard voor het bepalen van het stadium van parodontitis, is het proces moeizaam en tijdrovend en vergt het zeer ervaren specialisten. Daarom zijn alternatieve, kosteneffectieve maar betrouwbare en valide benaderingen voor het differentiëren van de diagnose van parodontitis in stadium II-IV, vooral in openbare gemeenschappen, dringend nodig.

Orthopantomografie (OPG), ook wel panoramische radiografie genoemd, is een niet-invasieve beeldvormingstechniek met een lage dosis die in één procedure een uitgebreid beeld geeft van het maxillofaciale gebied. Als extraorale röntgenfoto heeft het voordelen bij het vastleggen van het beeld, vooral in gevallen waarin patiënten moeite hebben om hun mond te openen of een uitgesproken kokhalsreflex vertonen die het gebruik van intraorale films belemmert. OPG is dus waarschijnlijk de meest gemaakte tandheelkundige röntgenfoto ter wereld en kan potentieel dienen als een effectief hulpmiddel voor het differentiëren van stadium II-IV parodontitis in populaties. Onlangs zijn er verschillende onderzoeken uitgevoerd om OPG-beelden te gebruiken voor de diagnose van parodontitis. De strategieën van deze onderzoeken zijn echter afhankelijk van de radiografische annotaties voor specifieke oriëntatiepunten door artsen, die mogelijk geen overtuigende nauwkeurigheid hebben. Bovendien zouden alleen röntgenfoto's van hoge kwaliteit een waardevolle aanvulling kunnen zijn voor de diagnose van parodontitis, dus veel beschikbare OPG-beelden met de superpositie van anatomische structuren, onevenredige beeldvergroting, vervorming en onscherpte kunnen de generalisatie van het ontwikkelde systeem verminderen.

Kunstmatige intelligentie (AI) is uitgegroeid tot een krachtig hulpmiddel op verschillende gebieden van de geneeskunde, waaronder de tandheelkunde. Op AI gebaseerde algoritmen, met name deep learning-technieken, hebben opmerkelijke capaciteiten getoond op het gebied van beeldanalyse, patroonherkenning en besluitvorming. De afgelopen jaren heeft de integratie van AI-technologie in de tandheelkunde nieuwe wegen geopend om de nauwkeurigheid en efficiëntie van de diagnose te verbeteren. Op AI gebaseerde algoritmen kunnen mogelijk bepaalde kenmerken in OPG-beelden herkennen die niet waarneembaar zijn voor het menselijk oog, waardoor subtiel botverlies kan worden gedetecteerd en een nauwkeurigere diagnose van parodontale stadiëring kan worden bereikt.

Uit bevindingen uit ons recente onderzoek blijkt met name dat een hybride systeem dat AI-algoritmen en klinische kennis combineert, goede prestaties levert bij het differentiëren van stadium II-IV parodontitis. Bij het ontwikkelingsproces van dit hybride systeem is uitsluitend gebruik gemaakt van klinische informatie van ervaren specialisten en zijn er geen radiografische annotaties gebruikt. Ondanks het veelbelovende potentieel van het hybride systeem dat uit ons eerste onderzoek is ontwikkeld, is het essentieel om het verder te trainen en te valideren in verschillende onafhankelijke populaties, omdat een voorspellingsregel afgeleid van één steekproef beter zou kunnen presteren in een andere steekproef/populatie. Bovendien is het redelijk om aan te nemen dat de OPG-beelden die van verschillende machines zijn genomen, de nauwkeurigheid van het ontwikkelde hybride systeem in grote mate kunnen beïnvloeden. Daarom is het logisch om een ​​onderzoek in meerdere centra uit te voeren om verschillende OPG-beelden van verschillende centra over de hele wereld te verzamelen. De dataset zal worden gebruikt om het hybride systeem verder te trainen en te valideren, waardoor de nauwkeurigheid en werkzaamheid ervan bij de diagnose van parodontitis worden gegarandeerd.

In deze studie zullen we de diagnostische kenmerken van een nieuw op AI-klinisch gebaseerd hybride systeem (indextest) vergelijken met een panel van experts (referentiestandaard). Deskundigen zullen alle röntgenfoto's onafhankelijk beoordelen en tot overeenstemming komen als er een discrepantie tussen de röntgenfoto's wordt gevonden.