Nøyaktigheten av dataassistert deteksjon av periapikale radiolucenser på kjegle-tomografibilder ved bruk av kunstig intelligens

• Studiedesign: En diagnostisk nøyaktighetsstudie
• Innstilling og plassering: Retrospektiv datainnsamling planlegges før indekstest og referansestandard skal utføres. CBCT-dataene til denne studien vil bli hentet fra CBCT-databasen som er tilgjengelig ved avdelingen for oral og kjeve- og ansiktsradiologi, Det odontologiske fakultetet, Cairo University, Kairo, Egypt og fra tilgjengelig online datasett med forskjellige CBCT-maskiner.

CBCT-skanninger av egyptiske pasienter som allerede har vært utsatt for CBCT-undersøkelse som en del av deres tanndiagnose og/eller behandlingsplanlegging vil bli inkludert i henhold til de foreslåtte kvalifikasjonskriteriene.

B) Deltakere:

Basert på prøvestørrelsesberegning, ble en prøve på 50 periapikale radiolucente lesjoner av øvre og nedre forskjellige steder i kjeven funnet i CBCT-skanninger. Utvalget av skanningene som skal inkluderes vil være basert på følgende kvalifikasjonskriterier.

Inklusjonskriterier:

• CBCT-skanninger av maxilla og mandible med frie pf periapikale radiolucent lesjoner av god kvalitet.
• CBCT-skanninger av maxilla og mandible med god kvalitet som viser periapikale radiolucent lesjoner.

Ekskluderingskriterier:

• CBCT-bilder av suboptimal kvalitet eller artefakter / høy spredning som forstyrrer riktig vurdering.

C) Variabler:

• Detaljer om variable CBCT-data med periapikale lesjoner ble anonymisert i DICOM-format, og deretter vil filene bli videresendt til matematisk ingeniøravdeling Fakultet for ingeniørvitenskap Cairo University for implementering av dyplæringsmodellen som vil omfatte to faser.

D) Datakilder / målinger:

• CBCT-skanninger av anonymiserte retrospektive data vil bli brukt til forskning, uten aktiv involvering av pasienter. Ulike skanninger av CBCT-maskiner vil bli brukt og foreløpig importert til CBCT-visningsprogram Blue Sky Bio for å oppdage de periapikale radiolucente lesjonene.

Lokaliseringsdatasett.

1. Fortenn-hjørnetenner (fremre tenner) Kjevekjeve
2. premolars -molars (bakre tenner) Maxillær Mandibular

CBCT-data med periapikale lesjoner ble anonymisert i DICOM-format, og deretter vil filene bli videresendt til matematisk ingeniøravdeling Fakultet for ingeniørvitenskap Kairo universitet for implementering av dyplæringsmodellen som vil omfatte to faser.

Opplærings- og valideringsfase Testfase Testsettseparasjon. Etter fullføringen av den første fasen av merknaden, ble en test skilt fra den kommenterte datapoolen og ekskludert fra alle påfølgende utviklingsaktiviteter.

Modellutviklingsdatasett. Et sett for modellutviklingsformål dannet fra den gjenværende kommenterte datapoolen (dvs. ikke inkludert i testsettet) ble delt inn i opplærings- og valideringsundersett ettersom det var ft for oppgaven.

Siden ytelsen til dyplæringsbaserte metoder er sterkt avhengig av et stort antall merkede datasett. Eksisterende CNN-baserte metoder (12, 16) forhåndstrener modellen deres på tilgjengelig online datasett. Derfor vil vi bruke et tilgjengelig online datasett levert av Abdolali et al som data brukt i deres studie (18) for forskningsarbeid og deretter finjustere nettverket på vårt innsamlede utvalg.

Det nøyaktige antallet skanninger som skal brukes til opplæring kan endres for å unngå undertilpasning eller overtilpasning i modellen, så det vil bli nøyaktig tildelt av ingeniørmatematisk ingeniøravdelingen, fakultetet ved ingeniøruniversitetet i Kairo.

E) Ta tak i potensielle kilder til skjevhet:

Ingen kilde til partiskhet. Indeksteksten vil bli utført av et dataprogram som vil bli blindet fra grunnsannheten satt av 2 godt erfarne radiologer før gjennomføringen av denne indekstesten. bedømmeren av referansestandarden vil ikke bli utsatt for resultatene av indekstesten, da både gullstandarden og indekstestresultatene vil bli tabellert og sendt til statistikeren til slutt for sammenligning av en annen person i stedet for bedømmerne.

F) Studiestørrelse:

En kraftanalyse ble designet for å ha tilstrekkelig kraft til å bruke en tosidig statistisk test av nullhypotesen om at resultatene fra dyplæringsmodellen er like nøyaktige som radiologens mening. Ved å ta i bruk et (95 %) konfidensintervall og ved å bruke en spesifisitetsverdi på (88,0 %) av DL-gruppen basert på resultatene fra en tidligere studie (20) (21) og 100 % for grunnsannheten: prøvestørrelse beregnet basert på på spesifisitet var (50) prøver. Prøvestørrelsesberegning ble utført ved å bruke Connor-ligningen.

G) Prøvetakingsstrategi:

tilfeldig prøvetaking. H) Kvantitative variabler

I) Statistiske metoder:

sensitivitet, spesifisitet, positiv prediktiv verdi og negativ prediktiv verdi vil bli beregnet og gradert i henhold til rangeringen for diagnostiske tester av Leonardi Dutra et al (19) med skårer .80 % ansett som utmerkede resultater, mellom 70 % og 80 % gode, mellom 60 % og 69 % rettferdige og ,60 % som dårlige. Tenner uten periapikal radiolucens fungerte som kontroller.