Nøyaktighet av et AI-klinisk kunnskapsbasert hybridsystem for å oppdage periodontitt i OPG-bilder

Periodontitt er et stort folkehelseproblem på grunn av dens høye utbredelse over hele verden, betydelige sosioøkonomiske konsekvenser og betydelige effekter på individers livskvalitet. Imidlertid forblir periodontitt i befolkningen stort sett uoppdaget. Det er avgjørende å øke bevisstheten om periodontal helse og forbedre tidlig diagnose av periodontitt for å sikre rettidig intervensjon.

2018-klassifiseringen av periodontale og peri-implantatsykdommer og tilstander definerer fire stadier av periodontitt, fra det innledende stadiet (stadium I) til det avanserte stadiet (stadium IV). I stadier II-IV er omfattende behandlingsprosedyrer avgjørende, ellers er det høy risiko for tap av tenner eller til og med hele tannsett. Selv om kliniske undersøkelser anses som gullstandarden for å bestemme stadiet av periodontitt, er prosessen arbeidskrevende og tidkrevende, og krever svært erfarne spesialister. Derfor er alternative kostnadseffektive, men pålitelige og gyldige tilnærminger for differensiering av stadium II-IV periodontittdiagnose, spesielt i offentlige samfunn, sterkt nødvendige.

Ortopantomografi (OPG), også kjent som panoramisk radiografi, er en ikke-invasiv og lavdose-bildeteknikk som gir en omfattende oversikt over maxillofacial-regionen i én prosedyre. Som et ekstraoralt røntgenbilde har det fordeler når det gjelder å fange bildet, spesielt i tilfeller der pasienter sliter med å åpne munnen eller viser en uttalt gag-refleks som hindrer bruk av intraorale filmer. Dermed er OPG sannsynligvis det hyppigst tatte tannrøntgenbildet rundt om i verden og kan potensielt tjene som et effektivt verktøy for å differensiere stadium II-IV periodontitt i populasjoner. Nylig er det utført flere undersøkelser for å bruke OPG-bilder for periodontittdiagnose. Strategiene til disse studiene er imidlertid avhengige av radiografiske merknader for spesifikke landemerker fra klinikere som kan mangle overbevisende nøyaktighet. Videre kan bare røntgenbilder med høy kvalitet være et verdifullt tillegg for periodontittdiagnosen, så mange tilgjengelige OPG-bilder med overlagring av anatomiske strukturer, uforholdsmessig bildeforstørrelse, forvrengning og uskarphet kan redusere generaliseringen av det utviklede systemet.

Kunstig intelligens (AI) har dukket opp som et kraftig verktøy innen ulike medisinske felt, inkludert tannbehandling. AI-baserte algoritmer, spesielt dyplæringsteknikker, har vist bemerkelsesverdige evner innen bildeanalyse, mønstergjenkjenning og beslutningstaking. De siste årene har integreringen av AI-teknologi i odontologi åpnet nye veier for å forbedre nøyaktigheten og effektiviteten av diagnose. AI-baserte algoritmer kan være i stand til å gjenkjenne noen funksjoner i OPG-bilder som er umerkelige for det menneskelige øyet, noe som gjør det mulig å oppdage subtilt bentap og oppnå en mer nøyaktig diagnose av periodontal iscenesettelse.

Spesielt viste funn fra vår nylige studie at et hybridsystem som kombinerer AI-algoritmer og klinisk kunnskap har god ytelse for å differensiere stadium II-IV periodontitt. I utviklingsprosessen av dette hybridsystemet ble kun klinisk informasjon gitt av erfarne spesialister brukt og ingen radiografiske merknader ble brukt. Til tross for det lovende potensialet til hybridsystemet utviklet fra vår første undersøkelse, er det viktig å videreutdanne og validere det i forskjellige uavhengige populasjoner fordi en prediksjonsregel avledet fra en prøve kan gi bedre resultater i en annen prøve/populasjon. Dessuten er det rimelig å anta at OPG-bildene tatt fra forskjellige maskiner i stor grad kan påvirke nøyaktigheten til det utviklede hybridsystemet. Derfor er det logisk å gjennomføre en multisenterstudie for å samle forskjellige OPG-bilder fra forskjellige sentre over hele verden, og datasettet vil bli brukt til å trene videre og validere hybridsystemet for å sikre nøyaktigheten og effektiviteten i periodontittdiagnose.

I denne studien vil vi sammenligne de diagnostiske egenskapene til et nytt AI-klinisk-basert hybridsystem (indekstest) med et panel av eksperter (referansestandard). Eksperter vil uavhengig vurdere alle røntgenbilder og komme til enighet hvis det blir funnet avvik mellom dem.