あなたは歯科・医療関係者ですか?

WHITE CROSSは、歯科・医療現場で働く方を対象に、良質な歯科医療情報の提供を目的とした会員制サイトです。

日本語AIでPubMedを検索

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。
Oral Radiol.2023 Apr;39(2):349-354.

口蓋裂患者のパノラマX線写真における口蓋裂診断のためのディープラーニングシステム

Deep-learning systems for diagnosing cleft palate on panoramic radiographs in patients with cleft alveolus.

PMID: 35984588

抄録

目的:

本研究の目的は、パノラマX線写真上の片側または両側の口蓋裂(CA)患者において、口蓋裂(CP)の有無を診断するための効果的な深層学習ベースのモデルを作成することである。

OBJECTIVES: The aim of the present study was to create effective deep learning-based models for diagnosing the presence or absence of cleft palate (CP) in patients with unilateral or bilateral cleft alveolus (CA) on panoramic radiographs.

方法:

片側または両側の口蓋裂を有する患者491人のパノラマ画像を用いて2つのモデルを作成した。モデルAは、パノラマX線写真の上切歯部分を検出し、CPの有無に分類するもので、DetectNetの物体検出機能と分類機能の両方を用いて作成した。また、モデルAを作成したのと同じデータを用いて、VGG-16の分類機能を用いて、パノラマX線写真上のCPの有無を直接分類するモデルBを作成した。両モデルの性能を同じテストデータで評価し、2人の放射線科医の性能と比較した。

METHODS: The panoramic images of 491 patients who had unilateral or bilateral cleft alveolus were used to create two models. Model A, which detects the upper incisor area on panoramic radiographs and classifies the areas into the presence or absence of CP, was created using both object detection and classification functions of DetectNet. Using the same data for developing Model A, Model B, which directly classifies the presence or absence of CP on panoramic radiographs, was created using classification function of VGG-16. The performances of both models were evaluated with the same test data and compared with those of two radiologists.

結果:

モデルAの再現性、精度、Fメジャーはすべて1.00であり、受信者動作特性曲線下面積(AUC)はモデルA、モデルB、放射線科医でそれぞれ0.95、0.93、0.70、0.63であった。モデルのAUCは、放射線科医のそれよりも有意に高かった。

RESULTS: The recall, precision, and F-measure were all 1.00 in Model A. The area under the receiver operating characteristic curve (AUC) values were 0.95, 0.93, 0.70, and 0.63 for Model A, Model B, and the radiologists, respectively. The AUCs of the models were significantly higher than those of the radiologists.

結論:

本研究で開発された深層学習ベースのモデルは、パノラマX線写真における口蓋裂の存在に関する観察者の解釈を支援するために使用できる可能性がある。

CONCLUSIONS: The deep learning-based models developed in the present study have potential for use in supporting observer interpretations of the presence of cleft palate on panoramic radiographs.