Pulpa Taşlarını Otomatik Derin Öğrenme ile Bitewing Radyografilerinde Tespit Etme: Yapay Zeka ile Bir Pilot Çalışma

Giriş

Çalışma, diş radyolojisinde pulpa taşlarını tespit etmek için derin öğrenme (DL) kullanımını tanıtmaktadır. YZ'nin diş hekimliğinde teşhis doğruluğunu ve verimliliğini artırma potansiyeline dikkat çekmektedir.

Yöntemler

A.A. ve S.U., bitewing radyografilerinde pulpa taşlarını taramış ve işaretlemiştir. I.S.B. ve O.C. ise görüntüleri yeniden boyutlandırmış ve modeli değerlendirmiştir. DL modeli, Mask R-CNN mimarisi kullanılarak eğitilmiş ve performansını değerlendirmek için Doğru Pozitif, Yanlış Pozitif, Hassasiyet, Kesinlik ve F1 skoru gibi metrikler kullanılmıştır.

Sonuçlar

DL modeli, pulpa taşlarını tespit etmede yüksek bir F1 skoru olan 0.8995 elde etmiştir. Uzman işaretlemeleri ile YZ işaretlemeleri arasındaki karşılaştırmalı değerlendirmeler umut verici sonuçlar göstermiş, model iyi bir hassasiyet ve kesinlik sergilemiştir.

Tartışma

Çalışma, diş hekimliğinde özellikle radyolojide DL uygulamalarının önemini tartışmaktadır. YZ'nin karmaşık görüntü verilerini analiz etmedeki rolüne vurgu yapmaktadır. Ayrıca, YZ'nin diş hekimlerinin rutin vakaları daha verimli bir şekilde teşhis etmelerine yardımcı olma potansiyelinden bahsedilmekte ve böylece daha karmaşık senaryolar için zaman kazandırabileceği belirtilmektedir.

Sonuç

Pilot çalışma, bitewing radyografilerinde pulpa taşlarını tespit etmek için DL kullanımının uygulanabilirliğini ve etkinliğini göstermektedir. Bulgular, YZ teknolojilerinin diş radyolojisinde teşhis yeteneklerini artırma potansiyeline sahip olduğunu ve alandaki gelecekteki gelişmelere zemin hazırladığını önermektedir.

Etki

Çalışmanın sonuçları, teşhis doğruluğunu artırma, yanlış teşhisleri azaltma ve diş hekimlerine, özellikle yoğun klinik ortamlarda yardımcı olma potansiyelini taşımaktadır. Diş görüntülemede YZ'nin entegrasyonu, hasta bakımını artırma ve teşhis süreçlerini düzene koyma konusunda umut vaat etmektedir.

Gelecek Yönelimler

Çalışma, diş radyolojisinde YZ uygulamaları üzerine daha fazla araştırma için bir temel oluşturmakta ve diğer diş hastalıkları ve görüntüleme modalları için DL modellerinin keşfini teşvik etmektedir. Gelecek çalışmalar, YZ algoritmalarının iyileştirilmesi, veri setlerinin genişletilmesi ve klinik pratiğe DL'nin entegrasyonunun doğrulanması üzerine odaklanabilir ve böylece hasta sonuçlarını iyileştirebilir.