DDentalEdu
Ilustracija
IlustracijaIlustracija: DentalEdu (AI)
ZnanostInternational endodontic journal

Strojno učenje s RTG snimke razvrstava zakrivljenost kanala s 89,6 % točnosti

Model treniran na 1644 retroalveolarne snimke donjih premolara točno je razvrstao 89,6 % kanala prema stupnju zakrivljenosti, ali autori ga vide samo kao alat za probir.

Sažetak pripremio AI-asistent uredništva, uredila i odobrila redakcija prije objave. Uvijek provjerite izvorni rad prije kliničke primjene.

Snimka ulazi, stupanj zakrivljenosti izlazi

Retrospektivna studija u časopisu International Endodontic Journal razvila je automatski sustav koji na retroalveolarnoj snimci pronalazi donji premolar s jednim kanalom, izdvaja kanal i procjenjuje koliko je zakrivljen. Skup je obuhvatio 1644 snimke: 633 ravna, 885 umjereno i 126 jako zakrivljenih kanala. Cijeli je sustav vrednovan deseterostrukom unakrsnom validacijom s istom podjelom podataka u svim koracima, kako se podaci za učenje i provjeru ne bi miješali.

Za pronalaženje zuba najbolji je bio model RF-DETR (odziv 97,5 %, preciznost 93,3 %, F1 95,4 %). Kanal je najbolje izdvajao YOLOv11-seg, s Dice koeficijentom 85,8 % i IoU 77,5 %. Klasifikator je zatim kombinirao pet geometrijskih mjera oblika kanala s 2048 značajki iz dubinske neuronske mreže.

Hibridni model postigao je najvišu ukupnu točnost, 89,6 %. Za najvažniju skupinu, jako zakrivljene kanale, model samo s geometrijskim mjerama bio je osjetljiviji: 80,6 % prema 69,1 % za hibridni. Najjači pojedinačni prediktor težine zakrivljenosti bio je Luitenov kut, a svih pet geometrijskih mjera statistički se razlikovalo među skupinama težine.

Ograničenja

Studija je retrospektivna, na jednoj vrsti zuba i bez vanjske validacije na drugim uređajima ili populacijama. Dvodimenzionalna snimka ne prikazuje bukolingvalne zakrivljenosti, a jako zakrivljenih kanala bilo je malo (126).

Za ordinaciju

  • Ovakav alat može označiti kanale koje vrijedi dodatno pogledati na CBCT-u prije instrumentacije, ali ne zamjenjuje kliničku procjenu.
  • Kod sumnje na jaku zakrivljenost preciznija je jednostavnija geometrijska procjena: pouzdanija je od „pametnijeg" hibridnog modela za baš tu skupinu.
  • Na običnoj snimci ne vidite bukolingvalnu zakrivljenost; to vrijedi i za čovjeka i za algoritam.