Категории
Сменить пароль!
Сброс пароля!
Интерпретируемая система искусственного интеллекта позволяет с высокой точностью в режиме реального времени выявлять кариес эмали, улучшая раннюю диагностику и поддерживая профилактическую стоматологическую помощь.
Кариес зубной эмали остается одним из наиболее распространенных заболеваний полости рта в мире, и его ранняя диагностика имеет решающее значение для проведения неинвазивного лечения и предотвращения прогрессирования заболевания. Однако традиционные диагностические подходы, включая визуальный осмотр и рентгенографию, ограничены вариабельностью мнений врачей и низкой чувствительностью при выявлении ранних поражений. Хеба Аши (Heba Ashi) поставила целью разработать и валидировать эффективную интерпретируемую структуру искусственного интеллекта (ИИ), способную точно классифицировать кариес эмали на различных стадиях, сохраняя при этом клиническую прозрачность и применимость.
Она создала набор данных из 2000 клинических стоматологических изображений, разделенных на категории:
Этот набор данных был расширен до 12 000 изображений с помощью систематических методов предварительной обработки и аугментации. Обучение следующих двух архитектур глубокого обучения проводилось зависимым образом с помощью трансферного подхода:
Их результаты были интегрированы через механизм слияния на основе внимания, чтобы улучшить качество классификации. Для обеспечения интерпретируемости была использована градиентно-взвешенная карта активации классов (Grad-CAM) для визуализации областей принятия решений. Производительность модели была строго оценена с использованием стандартных показателей, включая точность, прецизионность, чувствительность, специфичность, F1-меру и рабочую характеристическую кривую (ROC) с площадью под кривой (AUC), а также анализ времени логического вывода для оценки клинической применимости.
Предложенные модели ИИ продемонстрировали стабильно высокую диагностическую эффективность, при этом объединенная модель обеспечила превосходную точность и надежность классификации кариеса эмали (таблица 1).
Объединенная модель дополнительно достигла F1-меры 96,92% и AUC ROC 99,34%, при этом ошибки классификации оставались минимальными и в основном ограничивались смежными стадиями заболевания, не наблюдалось критических диагностических ошибок, а низкое время логического вывода подтверждает ее пригодность для использования в реальной клинической практике. Исследование показало, что интеграция глубокого обучения с интерпретируемой визуализацией значительно повышает точность и надежность диагностики кариеса эмали.
Данная система сочетает в себе высокоэффективную классификацию и прозрачный процесс принятия решений. Этот подход эффективно устранил основные ограничения традиционных методов диагностики. Благодаря своей эффективности и точности он подходит как для клинической практики, так и для скрининга на уровне популяции. Он также поддерживает более раннее вмешательство и укрепляет стратегии профилактической помощи.
European Journal of Dental Education
From Clinic to Community: An Interpretable Artificial Intelligence Framework for Enamel Caries Detection to Support Public Health Dentistry
Heba Ashi и соавт.
Комментарии (0)