Deep Learning-Based Automated Detection of Artifacts and Positioning Errors in Panoramic Radiographs: A Multilabel Classification Study
Deze studie ontwikkelde en valideerde een deep learning-model met behulp van EfficientNet-B0 dat een goede diagnostische prestatie demonstreerde voor het detecteren van artefacten en een matige prestatie voor het identificeren van positioneringsfouten in panoramische röntgenfoto's, wat de haalbaarheid van AI-ondersteunde kwaliteitscontrole in dentale radiologische workflows ondersteunt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar je enige aanwijzing is een foto. Als die foto wazig is, ondersteboven staat of een vreemde reflectie op de achtergrond heeft, zou je de dader misschien volledig kunnen missen. In de wereld van de tandheelkunde zijn die "foto's" panoramische röntgenfoto's, die een breed overzicht geven van het volledige kaakgestel en de tanden van een patiënt. Ze zijn het standaardinstrument voor tandartsen omdat ze snel en goedkoop zijn en patiënten niet met te veel straling bestoken. Echter, net als een slechte foto, kunnen deze röntgenfoto's worden verpest door "artefacten"—ongewenste zaken zoals een ketting, een piercing of een spookachtig dubbelbeeld van een kaakbeen—en "positioneringsfouten", waarbij de kin van de patiënt te hoog staat of het hoofd zijwaarts gedraaid is.
Decennialang was het controleren van deze foto's een menselijke taak. Een tandtechnicus of radioloog moet naar elke afbeelding turen, beslissen of deze goed genoeg is, en zo niet, de patiënt vragen om terug te komen om opnieuw te worden bestraald. Dit is vervelend voor de patiënt, duur voor de kliniek en zorgt voor onnodige blootstelling aan straling. Maak kennis met "Deep Learning", een type kunstmatige intelligentie dat fungeert als een superkrachtige student. In plaats van door een leraar regels te leren, kijkt deze student naar duizenden voorbeelden en leert zelf patronen herkennen, waarbij hij steeds beter wordt naarmate hij meer ziet. De grote vraag die wetenschappers zich hebben gesteld is: Kunnen we een computer leren om naar deze tandheelkundige röntgenfoto's te kijken en direct uit te roepen: "Hé, deze is wazig!" of "Wacht, die kin staat scheef!" voordat de patiënt zelfs maar de stoel heeft verlaten?
Dit is precies wat de onderzoekers in deze studie van plan waren te doen. Ze bouwden een digitaal brein, specifiek een type deep learning-model genaamd EfficientNet-B0, en leerden het om een onvermoeibare kwaliteitscontroleur te zijn voor panoramische röntgenfoto's. Ze vroegen het niet alleen om één ding te vinden; ze trainden het om twee taken tegelijk te volbrengen, als een multitaskende superheld. Ten eerste moest het "artefacten" opsporen (het ongewenste rommel in het plaatje). Ten tweede moest het "positioneringsfouten" vangen (wanneer de patiënt verkeerd stond).
Om deze AI te trainen, verzamelden de onderzoekers 1.500 echte panoramische röntgenfoto's van een tandheelkundige opleiding in Turkije. Ze lieten een zeer ervaren menselijke expert, een radioloog met meer dan 10 jaar ervaring, elke afbeelding bekijken en deze labelen als "goed" of "slecht" voor zowel artefacten als positionering. Deze menselijke expert fungeerde als de leraar, die de AI liet zien hoe fouten eruitzagen. Ze verdeelden de data zodat de AI op 70% van de afbeeldingen kon leren, op 15% kon oefenen, en vervolgens een laatste test kon doen op de resterende 15% die het nog nooit eerder had gezien.
De resultaten waren een mix van "best indrukwekkend" en "moet nog huiswerk maken". Wanneer het kwam tot het opsporen van artefacten (zoals metalen sieraden of spookbeelden), was de AI vrij scherp. Bij de laatste test identificeerde het de slechte beelden in ongeveer 72% van de gevallen en was het zeer zeker van zijn "ja"-antwoorden, waarbij het in 92% van de gevallen gelijk had wanneer het een beeld markeerde. Het is als een bewaker die zelden een verdachte persoon voorbij laat glippen, hoewel ze er af en toe eentje naast kunnen zitten.
Echter, wanneer de taak verschoof naar het vinden van positioneringsfouten (zoals een gekantelde kin), was de AI wat onhandiger. Het deed nog steeds een redelijke poging, maar was minder zelfverzekerd. Het identificeerde slechte positionering correct in ongeveer 66% van de gevallen en was in 89% van de gevallen juist wanneer het zei dat een beeld slecht was. De onderzoekers suggereren dat dit moeilijker is omdat positioneringsfouten subtiel zijn, zoals een foto die iets scheef staat in plaats van een groot object dat het zicht blokkeert. Ook had de AI meer moeite met het herkennen van de goede afbeeldingen (waar de patiënt perfect stond), omdat het vaak dacht dat ze slecht waren terwijl dat niet zo was.
Het artikel is voorzichtig om dit niet te bestempelen als een afgewerkt product dat klaar is voor elke tandartspraktijk. De auteurs geven toe dat hun AI getraind is op afbeeldingen van slechts één machine bij één universiteit, dus het zou in de war kunnen raken door verschillende soorten röntgenapparatuur of verschillende patiëntengroepen. Ze merken ook op dat de AI nog steeds een aanzienlijk aantal fouten mist (ongeveer een derde van de positioneringsfouten), wat betekent dat het de menselijke expert nog niet kan vervangen. In plaats daarvan suggereren ze dat deze technologie in de toekomst een nuttig "tweede paar ogen" zou kunnen zijn—een hulpmiddel dat potentiële problemen signaleert voor een mens om te controleren, wat potentieel patiënten spaart van onnodige herhaalde röntgenfoto's. Voor nu is het een veelbelovend prototype dat laat zien dat de toekomst van de kwaliteitscontrole in de tandheelkunde geautomatiseerd kan worden, maar het is nog niet klaar om zelf het stuur over te nemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.