Umjetna inteligencija za radiografsko otkrivanje karijesnih lezija: sistematski pregled.
BMC oral health
Sažetak istraživanja
Pozadina
Cilj ovog sistematskog pregleda je procijeniti dijagnostičke performanse modela umjetne inteligencije (AI) dizajniranih za otkrivanje karijesnih lezija (CL). Materijali i metode Provedena je elektronska pretraga literature u bazama podataka PubMed, Web of Science, SCOPUS, LILACS i Embase za retrospektivne, prospektivne i presečne studije objavljene do januara 2023. godine, uz korištenje sljedećih ključnih riječi: umjetna inteligencija (AI), mašinsko učenje (ML), duboko učenje (DL), umjetna konvolucijska neuralna mreža (neuronska neuralna mreža) neuronske mreže (DCNN), radiologija, detekcija, dijagnoza i zubni karijes (DC). Procjena kvaliteta je izvršena korištenjem smjernica QUADAS-2.
Rezultati Ocenjeno je dvadeset članaka koji su zadovoljili kriterijume za izbor. Urađeno je pet studija na periapikalnim radiografijama, devet na ujednim krilima i šest na ortopantomografiji. Broj uključenih slikovnih pregleda kretao se od 15 do 2900. Četiri studije su istraživale ANN modele, petnaest CNN modela i dva DCNN modela. Dvanaest je bilo retrospektivnih studija, šest poprečnih i dvije prospektivne. U otkrivanju CL postignute su sljedeće dijagnostičke performanse: osjetljivost od 0,44 do 0,86, specifičnost od 0,85 do 0,98, preciznost od 0,50 do 0,94, PPV (Pozitivna prediktivna vrijednost) 0,86, NPV (Negativna prediktivna vrijednost.0cccy od 0,3 do 0,7 0,98, površina ispod krive (AUC) od 0,84 do 0,98, presek preko spoja 0,3-0,4 i 0,78, koeficijent kocke 0,66 i 0,88, F1-skor od 0,64 do 0,92. Prema QUADAS-2 evaluaciji, većina studija je pokazala nizak rizik od pristrasnosti.
Zaključak Modeli zasnovani na veštačkoj inteligenciji pokazali su dobre dijagnostičke performanse, potencijalno predstavljajući važnu pomoć u otkrivanju CL. Neka ograničenja ovih studija povezana su sa veličinom i heterogenošću skupova podataka. Buduće studije treba da se oslanjaju na uporedive, velike i klinički značajne skupove podataka. Protokol PROSPERO identifikator: CRD42023470708.
Prikaži originalni naslov i sažetak na engleskom
Artificial intelligence for radiographic imaging detection of caries lesions: a systematic review.
Background The aim of this systematic review is to evaluate the diagnostic performance of Artificial Intelligence (AI) models designed for the detection of caries lesion (CL). Materials and methods An electronic literature search was conducted on PubMed, Web of Science, SCOPUS, LILACS and Embase databases for retrospective, prospective and cross-sectional studies published until January 2023, using the following keywords: artificial intelligence (AI), machine learning (ML), deep learning (DL), artificial neural networks (ANN), convolutional neural networks (CNN), deep convolutional neural networks (DCNN), radiology, detection, diagnosis and dental caries (DC). The quality assessment was performed using the guidelines of QUADAS-2.
Results Twenty articles that met the selection criteria were evaluated. Five studies were performed on periapical radiographs, nine on bitewings, and six on orthopantomography. The number of imaging examinations included ranged from 15 to 2900. Four studies investigated ANN models, fifteen CNN models, and two DCNN models. Twelve were retrospective studies, six cross-sectional and two prospective. The following diagnostic performance was achieved in detecting CL: sensitivity from 0.44 to 0.86, specificity from 0.85 to 0.98, precision from 0.50 to 0.94, PPV (Positive Predictive Value) 0.86, NPV (Negative Predictive Value) 0.95, accuracy from 0.73 to 0.98, area under the curve (AUC) from 0.84 to 0.98, intersection over union of 0.3-0.4 and 0.78, Dice coefficient 0.66 and 0.88, F1-score from 0.64 to 0.92. According to the QUADAS-2 evaluation, most studies exhibited a low risk of bias.
Conclusion AI-based models have demonstrated good diagnostic performance, potentially being an important aid in CL detection. Some limitations of these studies are related to the size and heterogeneity of the datasets. Future studies need to rely on comparable, large, and clinically meaningful datasets. Protocol PROSPERO identifier: CRD42023470708.
Izvorni podaci
- DOI
- 10.1186/s12903-024-04046-7
- PMID
- 38402191
- PMCID
- PMC10894487
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom