機械学習による骨端病変の予測：横断研究およびモデル開発研究

Machine Learning to Predict Apical Lesions: A Cross-Sectional and Model Development Study.

抄録

(1) 背景パノラマX線写真における歯根端病変（AL）の存在に関連する因子を同定し、同定された因子の予測価値を評価することを目的とした。(2) 方法27,532歯の患者1071人（年齢：11～93歳、平均：50.6歳±19.7歳）のパノラマX線写真を対象とした。各X線写真は、5人の経験豊富な歯科医師が独立してALを評価した。様々な浅い機械学習アルゴリズム（ロジスティック回帰、k-nearest neighbor、決定木、ランダムフォレスト、サポートベクターマシン、適応的および勾配ブースティング）が、ALに関連する患者および歯の両方のレベルでの因子を同定し、ALを予測するために採用された。(3) 結果ALは患者522人（48.7％）、歯1133本（4.1％）で検出され、男性が女性より有意に高い有病率を示した（52.5％/44.8％、＜0.05）。ロジスティック回帰の結果、根管治療の既往が最も重要なリスク因子であり（調整オッズ比16.89；95％CI：13.98-20.41）、次いで歯種「大臼歯」（2.54；2.1-3.08）、歯冠修復（2.1；1.67-2.63）であった。決定木のような複雑なモデルを使用しない場合、因子とALとの関連はより強く、精度はより高かった（F1スコア：0.9（0.89-0.9））。(4）結論ALは、根管治療歯、歯冠治療歯、大臼歯で高率であった。より複雑な機械学習モデルがより複雑でないモデルを凌駕することはなかった。

(1) Background: We aimed to identify factors associated with the presence of apical lesions (AL) in panoramic radiographs and to evaluate the predictive value of the identified factors. (2) Methodology: Panoramic radiographs from 1071 patients (age: 11-93 a, mean: 50.6 a ± 19.7 a) with 27,532 teeth were included. Each radiograph was independently assessed by five experienced dentists for AL. A range of shallow machine learning algorithms (logistic regression, k-nearest neighbor, decision tree, random forest, support vector machine, adaptive and gradient boosting) were employed to identify factors at both the patient and tooth level associated with AL and to predict AL. (3) Results: AL were detected in 522 patients (48.7%) and 1133 teeth (4.1%), whereas males showed a significantly higher prevalence than females (52.5%/44.8%; < 0.05). Logistic regression found that an existing root canal treatment was the most important risk factor (adjusted Odds Ratio 16.89; 95% CI: 13.98-20.41), followed by the tooth type 'molar' (2.54; 2.1-3.08) and the restoration with a crown (2.1; 1.67-2.63). Associations between factors and AL were stronger and accuracy higher when using fewer complex models like decision tree (F1 score: 0.9 (0.89-0.9)). (4) Conclusions: The presence of AL was higher in root-canal treated teeth, those with crowns and molars. More complex machine learning models did not outperform less-complex ones.