論文の概要: Artificial Intelligence to Assess Dental Findings from Panoramic Radiographs -- A Multinational Study
- arxiv url: http://arxiv.org/abs/2502.10277v1
- Date: Fri, 14 Feb 2025 16:34:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 19:47:35.791248
- Title: Artificial Intelligence to Assess Dental Findings from Panoramic Radiographs -- A Multinational Study
- Title（参考訳）: パノラマ線写真から歯の発見を評価する人工知能-多国間研究
- Authors: Yin-Chih Chelsea Wang, Tsao-Lun Chen, Shankeeth Vinayahalingam, Tai-Hsien Wu, Chu Wei Chang, Hsuan Hao Chang, Hung-Jen Wei, Mu-Hsiung Chen, Ching-Chang Ko, David Anssari Moin, Bram van Ginneken, Tong Xi, Hsiao-Cheng Tsai, Min-Huey Chen, Tzu-Ming Harry Hsu, Hye Chou,
- Abstract要約: 6,669個の歯科用パノラマ線写真(DPR)を3つのデータセットから分析した。
性能指標には、受信機動作特性曲線(AUC-ROC)の感度、特異性、面積が含まれていた。
AIシステムは、人間の読者に匹敵する、あるいは優れたパフォーマンスを示した。
- 参考スコア（独自算出の注目度）: 3.8184255731311287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dental panoramic radiographs (DPRs) are widely used in clinical practice for comprehensive oral assessment but present challenges due to overlapping structures and time constraints in interpretation. This study aimed to establish a solid baseline for the AI-automated assessment of findings in DPRs by developing, evaluating an AI system, and comparing its performance with that of human readers across multinational data sets. We analyzed 6,669 DPRs from three data sets (the Netherlands, Brazil, and Taiwan), focusing on 8 types of dental findings. The AI system combined object detection and semantic segmentation techniques for per-tooth finding identification. Performance metrics included sensitivity, specificity, and area under the receiver operating characteristic curve (AUC-ROC). AI generalizability was tested across data sets, and performance was compared with human dental practitioners. The AI system demonstrated comparable or superior performance to human readers, particularly +67.9% (95% CI: 54.0%-81.9%; p < .001) sensitivity for identifying periapical radiolucencies and +4.7% (95% CI: 1.4%-8.0%; p = .008) sensitivity for identifying missing teeth. The AI achieved a macro-averaged AUC-ROC of 96.2% (95% CI: 94.6%-97.8%) across 8 findings. AI agreements with the reference were comparable to inter-human agreements in 7 of 8 findings except for caries (p = .024). The AI system demonstrated robust generalization across diverse imaging and demographic settings and processed images 79 times faster (95% CI: 75-82) than human readers. The AI system effectively assessed findings in DPRs, achieving performance on par with or better than human experts while significantly reducing interpretation time. These results highlight the potential for integrating AI into clinical workflows to improve diagnostic efficiency and accuracy, and patient management.
- Abstract（参考訳）: 歯科用パノラマX線写真 (DPR) は総合的口腔評価のための臨床実践において広く用いられているが, 重なり合う構造や解釈の時間的制約による問題点が指摘されている。
本研究の目的は、AIシステムを開発し、評価し、多国籍データセットにわたる人的読者のパフォーマンスを比較することによって、DPRにおける発見のAI自動評価のための確固たるベースラインを確立することである。
オランダ,ブラジル,台湾の3つのデータセットから6,669のDPRを解析し,8種類の歯科的所見に着目した。
AIシステムは、歯ごとの識別のためのオブジェクト検出とセマンティックセグメンテーション技術を組み合わせた。
性能指標には、感度、特異性、受信機動作特性曲線(AUC-ROC)の下の領域が含まれていた。
AIの汎用性はデータセット間でテストされ、パフォーマンスは人間の歯科医と比較された。
このAIシステムは人間の読者に匹敵する性能を示しており、特に+67.9% (95% CI: 54.0%-81.9%; p < .001) は根尖の放射能を識別する感度、+4.7% (95% CI: 1.4%-8.0%; p = .008) は欠損歯を識別する感度を示した。
AIは8つの結果に対して平均96.2%(95% CI:94.6%-97.8%)のAUC-ROCを達成した。
この基準によるAI協定は、ケーリー(p = .024)を除く8つの発見のうち7つの発見において、人間間合意に匹敵するものであった。
AIシステムは、多様な画像や人口構成、画像処理画像の79倍の速度(95% CI: 75-82)で、堅牢な一般化を実証した。
AIシステムは、DPRにおける発見を効果的に評価し、人間の専門家と同等以上のパフォーマンスを達成し、解釈時間を著しく短縮した。
これらの結果は、AIを臨床ワークフローに統合し、診断効率と精度、および患者管理を改善する可能性を強調している。
関連論文リスト
- A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers [51.45596445363302]
GlobeReadyはクリニックフレンドリーなAIプラットフォームで、眼疾患の診断を可能にする。
11カテゴリの写真データセットは93.9-98.5%、15カテゴリのOCTデータセットは87.2-92.7%である。
中国では5つのセンターで平均88.9%、ベトナムでは86.3%、イギリスでは90.2%となっている。
論文 参考訳（メタデータ） (2025-04-22T14:17:22Z) - Autonomous AI for Multi-Pathology Detection in Chest X-Rays: A Multi-Site Study in the Indian Healthcare System [0.0]
この研究は、胸部X線(CXR)解釈のための自律型AIシステムの開発について概説している。
このシステムは、Vision Transformers、Faster R-CNN、および様々なUNetモデルを含む高度なアーキテクチャを統合している。
インドでは、診断センター、大病院、政府病院を含む17の医療システムに配備された。
論文 参考訳（メタデータ） (2025-03-28T09:07:17Z) - Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z) - Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring
Algorithm with Uncertainty-Guided Physician Review [0.0]
本研究は,不確実性推定手法を取り入れた自動睡眠検査アルゴリズムの臨床的有用性を高めることを目的とする。
13のオープンアクセスデータベースからの合計19578のPSGを使用して、最先端の睡眠スコアアルゴリズムであるU-Sleepをトレーニングした。
論文 参考訳（メタデータ） (2023-12-22T15:58:09Z) - The Limits of Fair Medical Imaging AI In The Wild [43.97266228706059]
医療用AIが人口統計エンコーディングをどのように利用するかを検討する。
医療画像AIは、疾患分類において、人口動態のショートカットを利用することを確認した。
人口統計属性のエンコーディングが少ないモデルは、しばしば「グローバルに最適」であることがわかった。
論文 参考訳（メタデータ） (2023-12-11T18:59:50Z) - Unleashing the Strengths of Unlabeled Data in Pan-cancer Abdominal Organ
Quantification: the FLARE22 Challenge [18.48059187629883]
FLARE 2022 Challengeは、これまでで最大の腹部臓器分析チャレンジで、高速、低リソース、正確、アノテーション効率、一般化されたAIアルゴリズムをベンチマークします。
我々は50以上の医療グループからなる大陸間・多国間データセットを構築した。
最高の性能のアルゴリズムは、それぞれ北米、ヨーロッパ、アジアのコホートで89.5%、90.9%、88.3%という中央値のDSCを達成した。
論文 参考訳（メタデータ） (2023-08-10T21:51:48Z) - Robustness of an Artificial Intelligence Solution for Diagnosis of
Normal Chest X-Rays [0.0]
正常胸部X線(CXR)の診断におけるAIソリューションの有用性について検討した。
合計4,060個のCXRがサンプリングされ、NHS患者とケア設定の多様なデータセットが表現された。
論文 参考訳（メタデータ） (2022-08-31T09:54:24Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文 参考訳（メタデータ） (2021-12-01T17:16:41Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - NUVA: A Naming Utterance Verifier for Aphasia Treatment [49.114436579008476]
失語症(PWA)患者の治療介入に対する反応の診断とモニタリングの両立のための画像命名タスクを用いた音声性能評価
本稿では,失語症脳卒中患者の「正しい」と「正しくない」を分類する深層学習要素を組み込んだ発話検証システムであるNUVAについて述べる。
イギリス系英語8ヶ国語でのテストでは、システムの性能精度は83.6%から93.6%の範囲であり、10倍のクロスバリデーション平均は89.5%であった。
論文 参考訳（メタデータ） (2021-02-10T13:00:29Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。