Deep Learning-Based Automated Detection of Artifacts and Positioning Errors in Panoramic Radiographs: A Multilabel Classification Study
本研究开发并验证了一个基于 EfficientNet-B0 的深度学习模型，该模型在检测伪影方面表现出良好的诊断性能，在识别定位错误方面表现出中等性能，从而支持了人工智能辅助牙科放射学工作流中质量控制的可行性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名正在试图破解谜团的侦探，但你唯一的线索就是一张照片。如果这张照片模糊不清、颠倒或者背景中有一个陌生人的倒影，你可能会完全错过罪犯。在牙科世界里，这些“照片”就是全景 X 光片，它们能提供患者整个颌骨和牙齿的宽阔视野。它们是牙医的首选工具，因为它们快速、廉价，且不会让患者接受过多的辐射。然而，就像一张糟糕的照片一样，这些 X 光片可能会被“伪影”（artifacts）——即项链、穿孔或颌骨的幽灵双影等不想要的东西——以及“定位错误”（positioning errors）——即患者下巴抬得太高或头部侧转——所毁掉。
几十年来，检查这些照片一直是人工的工作。一名牙科技术员或放射科医生必须眯起眼睛观察每一张图像，判断它是否合格；如果不合格，就得告诉患者回来重新拍 X 光片。这对患者来说很烦人，对诊所来说很昂贵，也增加了不必要的辐射暴露。于是，“深度学习”（Deep Learning）登场了，这是一种人工智能，它就像一个拥有超能力的优等生。它不需要老师教它规则，而是通过观察成千上上的个例子来自己学习识别模式，看过的例子越多，它就变得越聪明。科学家们一直在问一个大问题：我们能否教会一台计算机去观察这些牙科 X 光片，并在患者还没离开椅子之前，就立刻大喊：“嘿，这张太模糊了！”或者“等等，那个下巴歪了！”？
这正是研究人员想要做的事情。他们构建了一个数字大脑，具体是一种被称为 EfficientNet-B0 的深度学习模型，并训练它成为一名不知疲倦的全景 X 光片质量控制检查员。他们不仅要求它寻找一种问题，还训练它同时完成两项任务，就像一个多任务处理的超级英雄。首先，它必须识别出“伪影”（图片中的杂物）。其次，它必须捕捉到“定位错误”（当患者站姿不对时）。
为了训练这个 AI，研究人员从土耳其的一所牙科学校收集了 1,500 张真实的解析全景 X 光片。他们聘请了一位经验极其丰富的专家——一位拥有 10 年以上经验的放射科医生——来查看每一张图像，并将其标记为针对伪影和定位问题的“好”或“坏”。这位人类专家充当了老师的角色，向 AI 展示了错误长什么样。他们将数据进行了划分：AI 使用 70% 的图像进行学习，使用 15% 进行练习，然后用剩下的 15% 从未见过的图像进行最终测试。
结果既有“令人印象深刻”的一面，也有“仍需补课”的一面。在识别伪影（如金属首饰或幽灵影像）方面，该 AI 非常敏锐。在最终测试中，它大约有 72% 的概率正确识别出错误的图像，并且在标记图像为“有问题”时非常确定，准确率达到了 92%。这就像一名保安，很少会让可疑人员溜过去，尽管偶尔也会漏掉一些狡猾的人。
然而，当任务切换到寻找定位错误（如下巴倾斜）时，这个 AI 就显得有些笨拙了。它做得还算不错，但信心不足。它正确识别定位错误的情况约为 66%，而在判定图像有问题时，准确率约为 89%。研究人员认为这是因为定位错误更为细微，就像照片稍微歪了一点，而不是有一个巨大的物体挡住了视线。此外，该 AI 在识别“好”图像（即患者站姿完美的图像）时也遇到了困难，经常误把好的图像当成坏的。
论文谨慎地指出，这并不是一个可以立即应用到每个牙科诊所的成品。作者承认，他们的 AI 是基于单一大学的一台机器训练的，因此面对不同类型的 X 光机或不同的患者群体时可能会感到困惑。他们还指出，该 AI 仍然会漏掉相当数量的错误（大约三分之一的定位错误），这意味着它目前还无法取代人类专家。相反，他们建议这项技术在未来可以作为“第二双眼睛”——一个提醒人类进行复核的工具，从而潜在地减少患者重复拍摄 X 光片的次数。目前，它是一个充满前景的原型，表明牙科质量控制的自动化未来是可能的，但它还没有准备好独立掌控全局。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。