Augmented intelligence in oral and maxillofacial radiology: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Artificial intelligence (AI) is transforming diagnostic imaging in dentistry. This systematic review evaluates existing literature on augmented intelligence in dentomaxillofacial radiology, focusing on its influence on human collaboration in interpreting dental imaging. STUDY DESIGN: A literature search across seven databases and gray literature was conducted. Studies evaluating clinician performance with AI-assistance were included, while reviews, surveys, and case reports were excluded. The QUADAS-2 tool assessed the risk of bias. RESULTS: Sixteen studies assessed the influence of AI on radiographic interpretation. AI-assisted caries detection consistently improved accuracy, sensitivity, and specificity. Detection of apical pathoses and jaw lesion segmentation improved accuracy, reducing diagnostic time. Cephalometric landmark identification showed increased accuracy, particularly for students. Soft tissue calcification detection improved accuracy, but sensitivity decreased. Overall, augmented intelligence enhanced interobserver agreement and reduced diagnostic variability, with general dentists and students showing the greatest gains. CONCLUSIONS: Augmented intelligence enhances dental radiographic interpretation by improving tasks, particularly for less experienced clinicians, and positively influences clinical decision-making. However, AI performance remains inconsistent in challenging cases involving complex pathoses or varied imaging conditions. While it complements rather than replaces clinicians, further validation of AI's generalizability and reliability using larger, diverse datasets is necessary.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».