How reliable are AI-Assisted cephalometric programs in assessing measurements involving bilateral landmarks?
Notice bibliographique
Résumé
Abstract Objective Recent advancements in technology have promoted artificial intelligence (AI) to automatically detect landmarks on lateral cephalograms. This study aimed to evaluate the reliability of an AI-assisted cephalometric analysis program (Webceph, Gyeonggi-do, Republic of Korea) in the assessment of cephalometric measurements involving bilateral landmarks. Materials and methods Fifty-one high-quality cephalograms were used and inclusion/exclusion criteria were applied. Two researchers manually traced the cephalograms after which an AI-assisted cephalometric analysis program (Webceph) was applied. Both intra-and inter-operator reliability were tested. Independent Sample t-tests were used to compare the means of measurements. Results The inter- and intra-class correlation coefficients were 0.80 which indicated ‘good’ reliability. Statistically significant differences were found in the gonial angle and effective mandibular length measurements ( p <0.05), but not in the articular angle and FMA angle ( p >0.05). The results suggest that, while AI-assisted programs provide reliable measurements, differences in certain measurements may be attributed to inherent AI algorithm limitations. Clinicians should verify and, if needed, correct bilateral landmark locations after the initial AI digitisation. Conclusion AI-driven cephalometric analysis holds promise for improving diagnostic efficiency and precision. However, limitations and further AI advancements require consideration to ensure appropriate clinical use.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 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 ».