Temporomandibular joint assessment in MRI images using artificial intelligence tools: where are we now? A systematic review
Notice bibliographique
Résumé
OBJECTIVES: To summarize the current evidence on the performance of artificial intelligence (AI) algorithms for the temporomandibular joint (TMJ) disc assessment and TMJ internal derangement diagnosis in magnetic resonance imaging (MRI) images. METHODS: Studies were gathered by searching 5 electronic databases and partial grey literature up to May 27, 2024. Studies in humans using AI algorithms to detect or diagnose internal derangements in MRI images were included. The methodological quality of the studies was evaluated using the Quality Assessment Tool for Diagnostic of Accuracy Studies-2 (QUADAS-2) and a proposed checklist for dental AI studies. RESULTS: Thirteen studies were included in this systematic review. Most of the studies assessed disc position. One study assessed disc perforation. A high heterogeneity related to the patient selection domain was found between the studies. The studies used a variety of AI approaches and performance metrics with CNN-based models being the most used. A high performance of AI models compared to humans was reported with accuracy ranging from 70% to 99%. CONCLUSIONS: The integration of AI, particularly deep learning, in TMJ MRI, shows promising results as a diagnostic-assistance tool to segment TMJ structures and classify disc position. Further studies exploring more diverse and multicentre data will improve the validity and generalizability of the models before being implemented in clinical practice.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 source (Gemma direct ou Codex distillé), 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 ».