Noggrannhet hos ett AI-kliniskt kunskapsbaserat hybridsystem för att upptäcka parodontit i OPG-bilder

Parodontit är ett stort folkhälsoproblem på grund av dess höga förekomst över hela världen, betydande socioekonomiska effekter och avsevärda effekter på individers livskvalitet. Parodontit i befolkningen förblir dock i stort sett oupptäckt. Det är avgörande att öka medvetenheten om parodontit hälsa och förbättra tidig diagnos av parodontit för att säkerställa snabb intervention.

2018 års klassificering av periodontala och peri-implantatsjukdomar och tillstånd definierar fyra stadier av parodontit som sträcker sig från det initiala stadiet (steg I) till det avancerade stadiet (steg IV). I steg II-IV är omfattande behandlingsprocedurer nödvändiga, annars finns det en hög risk för tand eller till och med hela tandförlusten. Även om kliniska undersökningar betraktas som guldstandarden för att bestämma stadiet av parodontit, är processen mödosam och tidskrävande och kräver mycket erfarna specialister. Därför behövs det i hög grad alternativa kostnadseffektiva men tillförlitliga och giltiga metoder för att differentiera diagnos av parodontit i stadium II-IV, särskilt i offentliga samhällen.

Ortopantomografi (OPG), även känd som panoramaröntgen, är en icke-invasiv och lågdosavbildningsteknik som ger en heltäckande bild av maxillofaciala regionen i ett förfarande. Som en extraoral röntgenbild har den fördelar när det gäller att fånga bilden, särskilt i fall där patienter kämpar för att öppna munnen eller uppvisar en uttalad gag-reflex som hindrar användningen av intraorala filmer. Sålunda är OPG troligen den vanligaste tandröntgenbilden i världen och kan potentiellt fungera som ett effektivt verktyg för att differentiera steg II-IV parodontit i populationer. På senare tid har flera undersökningar genomförts för att använda OPG-bilder för diagnos av parodontit. Men strategierna för dessa studier förlitar sig på röntgenkommentarer för specifika landmärken av läkare som kan sakna övertygande noggrannhet. Dessutom kan endast röntgenbilder med hög kvalitet vara ett värdefullt komplement för diagnosen parodontit, så många tillgängliga OPG-bilder med överlagring av anatomiska strukturer, oproportionerlig bildförstoring, distorsion och oskärpa kan minska generaliseringen av det utvecklade systemet.

Artificiell intelligens (AI) har dykt upp som ett kraftfullt verktyg inom olika medicinområden, inklusive tandvård. AI-baserade algoritmer, särskilt tekniker för djupinlärning, har visat anmärkningsvärda möjligheter inom bildanalys, mönsterigenkänning och beslutsfattande. Under de senaste åren har integreringen av AI-teknik i tandvården öppnat nya vägar för att förbättra noggrannheten och effektiviteten i diagnosen. AI-baserade algoritmer kanske kan känna igen vissa funktioner i OPG-bilder som är omärkliga för det mänskliga ögat, vilket möjliggör detektering av subtil benförlust och uppnå en mer exakt diagnos av periodontal stadieindelning.

Särskilt resultat från vår senaste studie visade att ett hybridsystem som kombinerar AI-algoritmer och klinisk kunskap har goda prestanda för att differentiera steg II-IV parodontit. I utvecklingsprocessen av detta hybridsystem användes endast klinisk information från erfarna specialister och inga radiografiska kommentarer användes. Trots den lovande potentialen hos hybridsystemet som utvecklats från vår första undersökning, är det viktigt att vidareutbilda och validera det i olika oberoende populationer eftersom en förutsägelseregel härledd från ett urval skulle kunna prestera bättre i ett annat urval/population. Dessutom är det rimligt att anta att OPG-bilderna tagna från olika maskiner i hög grad kan påverka noggrannheten hos det utvecklade hybridsystemet. Därför är det logiskt att genomföra en multicenterstudie för att samla in olika OPG-bilder från olika centra över hela världen och datasetet kommer att användas för att träna vidare och validera hybridsystemet för att säkerställa dess noggrannhet och effektivitet vid diagnos av parodontit.

I denna studie kommer vi att jämföra de diagnostiska egenskaperna hos ett nytt AI-kliniskt baserat hybridsystem (indextest) med en expertpanel (referensstandard). Experter kommer självständigt att bedöma alla röntgenbilder och komma överens om någon avvikelse mellan dem upptäcks.