The influence of a deep learning tool on the performance of oral and maxillofacial radiologists in the detection of apical radiolucencies
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to assess the impact of a deep learning model on oral radiologists' ability to detect periapical radiolucencies on periapical radiographs. The secondary objective was to conduct a regression analysis to evaluate the effects of years of experience, time to diagnose, and specialty. METHODS: This study used an annotated dataset and a beta version of a deep learning model (Denti.AI). The testing subset comprised 68 intraoral periapical radiographs confirmed with cone-beam computed tomography for the presence/absence of apical radiolucencies. Four oral radiologists participated in a cross-over reading scenario, analysing the radiographs under 2 conditions: initially without AI assistance and later with AI predictions. The study evaluated reader performance using Alternative Free-Response Receiver Operating Characteristic - Area Under the Curve (AFROC-AUC), sensitivity, specificity, and Receiver Operating Characteristic-Area Under the Curve (ROC-AUC) per case. It also assessed sensitivity per lesion. Regression analysis investigated how experience, time spent on images, and specialty influenced reader performance. RESULTS: No statistically significant differences were found in AFROC-AUC, sensitivity, specificity, and ROC-AUC. Regression analysis identified factors influencing diagnostic outcomes: unaided reading significantly prolonged diagnostic time (β = 12, 95% CI, 11-13, P < 0.001), while radiologists' professional status was positively associated with diagnostic accuracy (β = 0.02, 95% CI, 0.00-0.04, P = 0.015). These findings underscore the impact of AI on diagnostic efficiency and the critical role of radiologists' experience in diagnostic accuracy. CONCLUSION: AI did not significantly enhance radiologists' overall diagnostic accuracy. However, it showed potential to enhance efficiency, particularly advantageous for non-expert clinicians. The expertise of radiologists remains vital for accuracy, underscoring the complementary role of AI in dental diagnostics.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».