Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Detektion av periapikala lesioner på dentala panoramaröntgenbilder baserat på artificiell intelligens (OPTITOMO)

20 juni 2026 uppdaterad av: Centre Hospitalier Régional Metz-Thionville

Detektion av periapikala lesioner på dentala panoramabilder baserat på artificiell intelligens med hjälp av Cone Beam Computed Tomography

Dentala periapikala skador kan ha olika orsaker och reflekteras av en radiolucent lesion på komplementär bild: vinkelrad retroalveolär (RA) röntgenbilder, tandpanoramaröntgen och tredimensionell bild såsom datortomografi (CT) eller konstråledatortomografi ( CBCT).

För radiografisk detektering av dessa djupa parodontala lesioner representerar dentalpanoramabilden ett första tillvägagångssätt som vanligtvis utförs med relativt låg strålning. Utredningen kan följas av retroalveolär röntgenundersökning som är mer lokaliserad och mer exakt. Men med dessa tekniker är detektionsgraden för dessa lesioner låga (20 % respektive 36 %), det är nödvändigt att använda tredimensionell tomografisk undersökning för att vara mer diskriminerande (69 %). Guldstandardavbildningen för detektion av dessa lesioner är CBCT följt av retroalveolär radiografi (~2x mindre känslig än CBCT) och panoramaröntgen (~2x mindre känslig än RA). Även om den inte är en röntgenbild i full tjocklek, har den dentala panoramabilden fördelen av att den utförs oftare samtidigt som den är mindre utstrålande än CBCT och ger en global bild av tandbågarna på en enda bild.

Detekteringen av periapikala lesioner görs efter en klinisk bedömning och en visuell uppskattning av de kompletterande undersökningarna.

Syftet med detta projekt är att förbättra upptäckten av periapikala lesioner, genom att utveckla en algoritm som kan identifiera dem på en panoramisk tandröntgen. Denna algoritm är baserad på ett djupinlärningssystem som tränats med referensdata inklusive panoramabilder och CBCT med ett inlärningsintervall på mindre än 3 månader. Modellen är baserad på ett tidigare arbete, kommer att förbättra kvaliteten på de initiala data (med hjälp av CBCT), med hjälp av innovativa artificiell intelligens algoritmer (överföring lärande).

Studieöversikt

Status

Rekrytering

Betingelser

Periapikala sjukdomar

Detaljerad beskrivning

Det slutliga målet med forskningen är att förbättra den tidiga diagnosen av periapikala lesioner, vilket skulle möjliggöra en bättre och snabbare vård av dessa lesioner, nämligen i tidiga stadier. Detta representerar ett stort folkhälsointresse eftersom dessa lesioner kan vara ansvariga för flera lokala och regionala patologier (osteomyelit, cervico-facial cellulit, tromboflebit, cerebrala abscesser...) eller till och med allvarligare allmänna patologier (hjärtpatologier, kardiovaskulära sjukdomar, diabetes, njursjukdomar, tendinopatier...). För vissa målgrupper som militären och idrottare på hög nivå skulle denna forskning göra det möjligt att förbättra den bedömning som görs före medicinsk begåvning eller klubbövergång.

Studietyp

Observationell

Inskrivning (Beräknad)

2000

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Namn: Arpiné EL NAR, PhD
Telefonnummer: 0033387557766
E-post: a.elnar@chr-metz-thionville.fr

Studieorter

Frankrike
- - Metz, Frankrike, 57085
    - Rekrytering
    - CHR Metz-Thionville/Hopital de Mercy
    - Kontakt:
      
      E-post: projet-recherche@chr-metz-thionville.fr
    - Kontakt:
      
      Arpiné EL NAR, PhD
      
      Telefonnummer: 0033387557766
      
      E-post: a.elnar@chr-metz-thionville.fr
    - Underutredare:
      
      Paul RETIF, MD
    - Huvudutredare:
      
      Marc ENGELS-DEUTSCH, MD

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

Vuxen
Äldre vuxen

Tar emot friska volontärer

N/A

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Patienter med periapikala lesioner

Beskrivning

Inklusionskriterier:

Patienter som har haft CBCT och panoramatandtomografi med mindre än 3 månader mellan de två undersökningarna

Exklusions kriterier:

Patienter som vägrade att delta i studien.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Vad mäter studien?

Primära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Artificiell intelligens programvara prestanda Tidsram: 2 år	mätning av F1-poängen. F1-poängen beräknas som det harmoniska medelvärdet av precisions- och återkallelsepoängen. Den sträcker sig från 0-100 %, och en högre F1-poäng anger en klassificerare av bättre kvalitet.	2 år

Sekundära resultatmått

Resultatmått	Åtgärdsbeskrivning	Tidsram
Artificiell intelligens mjukvaruspecificitet Tidsram: 2 år	mätning av de sanna positiva, sanna negativa, falska positiva, falska negativa	2 år

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Centre Hospitalier Régional Metz-Thionville

Utredare

Huvudutredare: Marc ENGELS-DEUTSCH, MD, CHR Metz Thionville Hopital de Mercy
Studiestol: Paul RETIF, MD, PhD, CHR Metz Thionville Hopital de Mercy

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Faktisk)

1 oktober 2022

Primärt slutförande (Beräknad)

1 december 2027

Avslutad studie (Beräknad)

1 december 2027

Studieregistreringsdatum

Först inskickad

25 maj 2023

Först inskickad som uppfyllde QC-kriterierna