Multi-view deep learning for classification of maxillary canine impaction severity using CBCT-derived images
Deze studie ontwikkelde en evalueerde een multi-view DenseNet-121 deep learning-model met behulp van CBCT-afgeleide beelden vanuit vier perspectieven om de ernst van maxillaire caninus-impactie nauwkeurig te classificeren, waarbij een algehele nauwkeurigheid van 91,2% werd bereikt en het potentieel werd aangetoond om vroege orthodontische interventie te ondersteunen.
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
In het complexe landschap van het menselijk gebit nemen de bovenkannines een unieke en vaak problematische positie in. Deze tanden, die essentieel zijn voor het scheuren van voedsel en het vormen van de glimlach, zijn na de verstandskiezen de tanden die het meest waarschijnlijk vast komen te zitten. Omdat ze een lang en kronkelig pad afleggen om hun uiteindelijke plek te bereiken, raken ze vaak gevangen in het kaakbot of het tandvlees, een conditie die impactie wordt genoemd. Wanneer dit gebeurt, kan de tand niet uit zichzelf tevoorschijn komen, en als dit onbehandeld blijft, kan het cysten veroorzaken, de wortels van naburige tanden beschadigen of de uitlijning van de gehele tandboog verstoren. Om dit op te lossen, vertrouwen orthodontisten op beeldvorming om precies te zien waar de tand zich bevindt en hoe vast hij zit. Hoewel standaard tweedimensionale röntgenfoto's gebruikelijk zijn, biedt een meer gedetailleerde driedimensionale scan, genaamd cone-beam computed tomography of CBCT, een duidelijker beeld van de positie van de tand in de ruimte. Het interpreteren van deze gedetailleerde scans vereist echter aanzienlijke tijd en expertise, en de betrokken straling betekent dat artsen voorzichtig moeten zijn met wanneer ze ze gebruiken.
Een team van onderzoekers zette zich in om te zien of kunstmatige intelligentie kon helpen bij deze diagnostische uitdaging. Ze ontwikkelden een computersysteem ontworpen om naar CBCT-scans te kijken en automatisch te bepalen hoe ernstig een kannine-impactie is. In plaats van te proberen het volledige driedimensionale volume van de kaak in één keer te verwerken, wat rekenintensief is, kozen de onderzoekers een andere aanpak. Ze sneden de 3D-scan in vier bekende tweedimensionale weergaven die tandartsen al gebruiken: een panoramisch overzicht van de hele kaak, een frontaal beeld van voren, een zijwaarts beeld en een dwarsdoorsnede door de tand. Vervolgens trainden ze een deep learning-model, een type computerprogramma geïnspireerd door het menselijk brein, om naar elk van deze vier afbeeldingen afzonderlijk te kijken en te beslissen of de tand normaal doorbreekt, licht vastzit of ernstig vastzit.
De studie richtte zich op 74 patiënten en onderzocht in totaal 148 bovenkannines. Voor elke tand genereerden de onderzoekers 592 verschillende afbeeldingen over de vier verschillende weergaven. Menselijke experts labelden deze afbeeldingen eerst door elke tand te categoriseren als normale doorbraak, milde impactie of ernstige impactie, gebaseerd op specifieke hoeken en overlappingen die zichtbaar waren in de scans. Het computermodel werd vervolgens geleerd deze patronen te herkennen. Toen de onderzoekers het model testten, ontdekten ze dat kijken naar alle vier de weergaven samen veel effectiever was dan kijken naar slechts één weergave. Door de informatie van de panoramische, frontale, zijdelingse en dwarsdoorsneden te combineren, classificeerde het systeem de ernst van de impactie in 91,2% van de gevallen correct. Deze multi-view benadering bleek superieur aan elk enkele type afbeelding; zo was bijvoorbeeld de panoramische weergave alleen al zeer goed met een nauwkeurigheid van 88,5%, terwijl de frontale weergave alleen al moeite had en een nauwkeurigheid van slechts 74,3% behaalde.
De resultaten toonden aan dat het systeem bijzonder betrouwbaar was bij het identificeren van de twee extremen: tanden die normaal binnenkomen en tanden die ernstig vastzitten. Het identificeerde normale gevallen in 93,4% van de gevallen correct en ernstige gevallen in 91,5% van de gevallen correct. Cruciaal was dat het model nooit de gevaarlijke fout maakte om een ernstig vastzittende tand als "normaal" te bestempelen of een normale tand als "ernstig". De moeilijkste categorie voor de computer was het middengebied van milde impactie, waarbij het in ongeveer 77% van de gevallen correct was. Dit komt waarschijnlijk doordat milde gevallen er op een röntgenfoto erg lijken op normale tanden, waardoor ze zelfs voor mensen moeilijker te onderscheiden zijn. De onderzoekers merkten op dat het systeem aandacht besteedde aan precies dezelfde delen van de tand als een menselijke specialist, waarbij de focus lag op de punt van de kannijn en de wortels van de naburige tanden, wat suggereert dat de computer de juiste kenmerken leerde herkennen in plaats van te gokken.
Dit werk demonstreert dat kunstmatige intelligentie een krachtige assistent kan zijn in de orthodontie, in staat om meerdere hoeken van een scan te synthetiseren om een consistente en snelle beoordeling van tandimpactie te geven. Hoewel het model geen vervanging is voor een tandarts, biedt het een manier om patiënten efficiënter te screenen en gevallen te signaleren die onmiddellijke aandacht nodig hebben. De onderzoekers benadrukten dat voor het gebruik van dit hulpmiddel in de dagelijkse klinische praktijk, het getest moet worden op grotere groepen mensen uit verschillende locaties en met verschillende soorten scanners. Tot die tijd blijft het systeem een veelbelovend bewijs van concept, dat laat zien dat door een complex driedimensionaal probleem op te splitsen in bekende tweedimensionale stukjes, computers met een hoge mate van nauwkeurigheid tandproblemen kunnen leren zien, wat potentieel helpt om problemen eerder te ontdekken en betere behandelplannen te leiden.
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.