Deep learning-based assessment of pulp involvement in primary molars using YOLO v8
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dental caries is a major global public health problem, especially among young children. Rapid decay progression often necessitates pulp treatment, making accurate pulp condition assessment crucial. Despite advances in pulp management techniques, diagnostic methods for assessing pulp involvement have not significantly improved. This study aimed to develop a machine learning (ML) model to diagnose pulp involvement using radiographs of carious primary molars. Clinical charts and bitewing radiographs of 900 children treated from 2018-2022 at the University of Alberta dental clinic were reviewed, yielding a sample of 482 teeth. images were preprocessed, standardized, and labeled based on clinical diagnoses. Data were split into training, validation, and test sets, with data augmentation applied to classify 2 categories of outcomes. The YOLOv8m-cls model architecture included convolutional and classification layers, and performance was evaluated using top-1 and top-5 accuracy metrics. The YOLOv8m-cls model achieved a top-1 accuracy of 78.7% for upper primary molars and 87.8% for lower primary molars. Validation datasets showed higher accuracy for lower primary teeth. Performance on new test images demonstrated precision, recall, accuracy, and F1-scores, highlighting the model's effectiveness in diagnosing pulp involvement, with lower primary molars showing superior results. This study developed a promising CNN model for diagnosing pulp involvement in primary teeth using bitewing radiographs, showing promise for clinical application in pediatric dentistry. Future research should explore whole bitewing images, include clinical variables, and integrate heat maps to enhance the model. This tool could streamline clinical practice, improve informed consent, and assist in dental student training.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle