ARTIFICIAL INTELLIGENCE IN AUTOMATED INTERPRETATION OF DENTAL RADIOGRAPHS: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is increasingly being integrated into dental diagnostics, particularly in the interpretation of radiographic images. Despite promising developments, current evidence on the diagnostic performance, error rates, and time-efficiency of AI algorithms in dental radiology remains fragmented. This creates uncertainty about the clinical utility and reliability of AI applications in real-world dental practice. Objective: This systematic review aimed to evaluate the diagnostic accuracy, error rate, and time-efficiency of AI algorithms in analyzing dental radiographs compared to traditional clinician-led interpretation. Methods: A systematic review was conducted following PRISMA guidelines. Databases searched included PubMed, Scopus, Web of Science, and the Cochrane Library from January 2019 to May 2024. Eligible studies included observational and experimental designs that compared AI-based radiographic interpretation with human performance, focusing on diagnostic accuracy, interpretation time, and error rates. Data extraction and risk of bias assessments were performed independently by two reviewers using standardized tools (Cochrane RoB 2.0 and Newcastle-Ottawa Scale). A narrative synthesis was conducted due to heterogeneity in study designs and outcomes. Results: Eight studies involving various AI models and a total of over 25,000 dental radiographic images were included. AI algorithms demonstrated high diagnostic accuracy (ranging from 80.2% to 96.5%), reduced error rates, and significantly improved time-efficiency in most studies (p < 0.05). The performance of AI systems was comparable to or better than experienced clinicians across multiple radiographic modalities, including bitewing, panoramic, and periapical images. Conclusion: AI shows strong potential in supporting dental professionals by enhancing diagnostic accuracy and efficiency in radiographic interpretation. However, variability in methodologies and limited external validation call for further large-scale, prospective studies to confirm its generalizability and clinical integration.
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 | 0,015 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».