Deep Learning Approach to Measure Alveolar Bone Loss After COVID-19
Notice bibliographique
Résumé
Abstract Severity of periodontal disease may be determined by measurement of alveolar crestal height (ACH) on dental bitewing radiographs; however, the prevailing method of assessment is through visualization which is time consuming and not a direct measure. The primary objective of this manuscript is to create and validate a deep learning technique for precise evaluation of alveolar bone loss in bitewing radiographs. Additionally, surveys were conducted with dental professionals to determine accuracy of visualized measures of ACH for severe periodontal disease versus the deep learning program and to determine the acceptability of utility of the program among diverse dental professionals. Lastly, the deep learning program was utilized in research to evaluate the role of COVID on periodontal disease through longitudinal measures of bitewing radiograph ACH from patients during the: "pre-pandemic" (Feb 2017 - Feb 2020) and "post-pandemic" (Feb 2020 - Feb 2023) periods. The pre-pandemic group had a mean percentage loss of ACH of -1.74 + 16.5%, representing a gain in alveolar bone. In contrast, the post-pandemic group had a gain in ACH of 2.46 + 14.6%, representing a loss in alveolar bone. There remained a trend for greater annualized percent change in ACH in the post-pandemic vs pre-pandemic group (1.33 + 11.9% vs -0.94 + 12.5%, p=0.07), after accounting for differences in duration between xrays. Overall, this study demonstrates the successful training and validation of a deep learning program for ACH measurement as well as its utility and acceptability among dental professionals for clinical and research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».