ディープラーニングを用いた咬合器上の異なるレントゲン伸展の齲蝕病変の検出

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

J Dent.2020 Jul;:103425. S0300-5712(20)30171-8. doi: 10.1016/j.jdent.2020.103425.Epub 2020-07-04.

ディープラーニングを用いた咬合器上の異なるレントゲン伸展の齲蝕病変の検出

Detecting caries lesions of different radiographic extension on bitewings using deep learning.

Anselmo Garcia Cantu
Sascha Gehrung
Joachim Krois
Akhilanand Chaurasia
Jesus Gomez Rossi
Robert Gaudin
Karim Elhennawy
Falk Schwendicke

PMID: 32634466 DOI: 10.1016/j.jdent.2020.103425.

抄録

目的:

我々は，ディープラーニングを用いて歯肉上の異なるX線拡大率の齲蝕病変を検出することを目的とし，個人の歯科医よりも有意に精度が高いと仮定した．

OBJECTIVES: We aimed to apply deep learning to detect caries lesions of different radiographic extension on bitewings, hypothesizing it to be significantly more accurate than individual dentists.

方法:

経験豊富な4人の歯科医師が3,686枚の噛み合わせX線写真を評価した．齲蝕病変はピクセル単位でマーキングされた．すべてのピクセルの和を基準試験と定義した。データは、トレーニングデータ（3,293）、バリデーションデータ（252）、テストデータ（141）に分割した。畳み込みニューラルネットワーク(U-Net)を適用し、検証指標としてIntersection-over-Unionを用いた。テストデータセット上で訓練されたニューラルネットワークの性能を、歯レベルの精度指標を用いて7つの独立したデータセットと比較した。また，病変の深さ（エナメル質病変E1/2，象牙質病変D2/3，中・内3番目の象牙質病変D2/3）に応じた層別化を適用した．

METHODS: 3,686 bitewing radiographs were assessed by four experienced dentists. Caries lesions were marked in a pixelwise fashion. The union of all pixels was defined as reference test. The data was divided into a training (3,293), validation (252) and test dataset (141). We applied a convolutional neural network (U-Net) and used the Intersection-over-Union as validation metric. The performance of the trained neural network on the test dataset was compared against that of seven independent using tooth-level accuracy metrics. Stratification according to lesion depth (enamel lesions E1/2, dentin lesions into middle or inner third D2/3) was applied.

結果:

ニューラルネットワークの精度は0.80であったが，歯科医の平均精度は0.71と有意に低かった（最小値-最大値：0.61-0.78，p<0.05）．ニューラルネットワークは歯科医よりも有意に感度が高かった（0.75対0.36（0.19-0.65；p=0.006））が、特異度は歯科医よりも有意に低くはなかった（0.83）（0.91（0.69-0.98；p>0.05）。ニューラルネットワークは初期病変、進行病変ともに0.70以上の頑健な感度を示した。歯科医師の多くは初期病変では低い感度を示したが（1名を除くすべての歯科医師が0.25以下），進行病変では0.40～0.75であった．

RESULTS: The neural network showed an accuracy of 0.80; dentists' mean accuracy was significantly lower at 0.71 (min-max: 0.61-0.78, p < 0.05). The neural network was significantly more sensitive than dentists (0.75 versus 0.36 (0.19-0.65; p = 0.006), while its specificity was not significantly lower (0.83) than those of the dentists (0.91 (0.69-0.98; p > 0.05); p > 0.05). The neural network showed robust sensitivities at or above 0.70 for both initial and advanced lesions. Dentists largely showed low sensitivities for initial lesions (all except one dentist showed sensitivities below 0.25), while those for advanced ones were between 0.40 and 0.75.

結論:

噛み合わせX線写真上の齲蝕病変を検出するために、ディープニューラルネットワークは歯科医よりも有意に精度が高かった。

CONCLUSIONS: To detect caries lesions on bitewing radiographs, a deep neural network was significantly more accurate than dentists.

臨床的意義:

ディープラーニングは、特に咬合部の初期齲蝕病変の検出を支援する可能性がある。このようなモデルを使用することによる意思決定への影響を検討する必要がある。

CLINICAL SIGNIFICANCE: Deep learning may assist dentists to detect especially initial caries lesions on bitewings. The impact of using such models on decision-making should be explored.