Deep learning-based assessment of pulp involvement in primary molars using YOLO v8
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».