此页面是自动翻译的,不保证翻译的准确性。请参阅 英文版 对于源文本。

人工智能在CBCT上评价下颌第三磨牙与下颌管关系的准确性

2022年4月22日 更新者:Sally Mansour、Cairo University

使用深度学习模型(人工智能)的 CBCT 图像上下颌第三磨牙和下颌管之间关系的计算机辅助评估的准确性:诊断准确性研究。

卷积神经网络 (CNN) 是一种计算机应用程序,可通过向图像解释器 10 提供公正的“第二意见”来协助检测和/或诊断疾病,旨在提高准确性并减少分析时间。 随着深度学习 (DL) 算法在基于图像的应用程序中的快速发展,CAD 系统现在可以通过 DL 进行训练以提供更高级的功能(即人工智能 [AI] 的能力)以最好地协助临床医生)。

研究概览

地位

招聘中

条件

详细说明

下颌第三磨牙拔除被认为是口腔颌面领域最常见的手术之一,它可能与多种术后并发症有关,如疼痛、出血、肿胀以及下牙槽神经 (IAN) 损伤或完全损伤,从而影响质量受影响患者的生活。 下颌第三磨牙拔除引起的暂时性 IAN 损伤发生率为 0.4-8.4%, 而永久性损伤的发生率不到 1% [1, 2]。 但由于下颌阻生第三磨牙发生率高,大量患者因拔除下颌阻生第三磨牙而导致IAN损伤[3]。 下颌第三磨牙拔除导致 IAN 损伤最重要的危险因素是下颌第三磨牙根部靠近下颌管 [1, 2, 4, 5]。 因此,在拔除阻生下颌第三磨牙之前,对解剖结构进行全面的术前分析和评估对于降低 IAN 损伤风险至关重要。

由于叠加和固有的局限性,全景 X 线摄影在显示下颌阻生第三磨牙拔除与 IAN 之间的关系时不太准确。 使用全景 X 光片预测下颌阻生第三磨牙拔除过程中 (IAN) 损伤概率的准确性存在争议 [6]。

锥形束计算机断层扫描 (CBCT) 是一种 (3D) 成像模式,可提供准确的 3D 信息,且辐射剂量低于医用 CT [7]。 结果表明,在评估下颌第三磨牙与 (IAN) 之间的关系时,CBCT 是一种比全景 X 线摄影更好、更准确的放射摄影方法 [6, 8]。 因此,CBCT 被认为是复杂下颌第三磨牙拔除术前评估的首选方式 [9]。

深度学习作为人工智能的子集之一,发展迅速,在医学领域发挥着重要作用。 最近研究了深度学习模型之一,卷积神经网络 (CNN) 的引导学习,它已被证明在许多医学成像领域超越了人类的判断水平 [12, 13]。 CNN引入颌面部后,用于周围解剖结构的评估、检测、分类和分割[14-18],最近基于CNN模型的深度学习被用于下颌阻生第三磨牙和下颌骨全景 X 光片和 CBCT 上的根管检测和分割 [15, 18, 30],发育的分类和分期 [31, 32],以及全景 X 光片上受影响的下颌第三磨牙的近似测量 [33]。 福田等。比较了 3 个 CNN 对受影响的下颌第三磨牙和下颌管关系的分类与全景 X 光片 [34]。 柳等人。提出了一种基于 CNN 的方法,使用全景 X 光片评估受影响的下颌第三磨牙拔除的僵局 [35]。 因此,如前所述,由于 (2D) 成像模式中发生的叠加,全景 X 光摄影无法准确描述解剖结构。 奥尔罕等。报告了一个基于 CNN 的 AI 应用程序 (Diagnocat, Inc.),在检测 M3 和评估与相邻解剖结构相关的牙根数量方面具有高精度

研究类型

观察性的

注册 (预期的)

50

联系人和位置

本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。

学习联系方式

研究联系人备份

学习地点

参与标准

研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

25年 至 65年 (成人、年长者)

接受健康志愿者

不适用

有资格学习的性别

全部

取样方法

非概率样本

研究人群

本研究的 CBCT 数据将从埃及开罗开罗大学牙科学院口腔颌面放射学系的 CBCT 数据库中获取。 根据拟议的资格标准,将包括已经接受 CBCT 检查作为其牙科诊断和/或治疗计划的一部分的患者的 CBCT 扫描。

描述

纳入标准:

  • • CBCT 扫描显示 25 至 65 岁患者的下颌第三磨牙

    • FOV 应清楚地显示第三磨牙及其根部和 IAN。
    • 体素大小为 0.2mm。
    • 下颌第三磨牙。 没有人工制品,牙科植入物在相邻的牙齿中。

排除标准:

  • • 次优质量或伪影/高散射干扰正确评估的CBCT 图像。

学习计划

本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。

研究是如何设计的?

设计细节

研究衡量的是什么?

主要结果指标

结果测量
措施说明
大体时间
自动评估下颌第三磨牙与下颌管关系的准确性。
大体时间:基线
深度学习模型在下颌第三磨牙及下颌管关系自动评价中的准确性。
基线

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

调查人员

  • 研究主任:Enas Anter、Cairo University

出版物和有用的链接

负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (预期的)

2022年5月1日

初级完成 (预期的)

2023年12月1日

研究完成 (预期的)

2023年12月1日

研究注册日期

首次提交

2022年4月22日

首先提交符合 QC 标准的

2022年4月22日

首次发布 (实际的)

2022年4月28日

研究记录更新

最后更新发布 (实际的)

2022年4月28日

上次提交的符合 QC 标准的更新

2022年4月22日

最后验证

2022年4月1日

更多信息

与本研究相关的术语

其他研究编号

  • ORAD AI 1-1

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)?

未定

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.

订阅