Deep Learning for Detecting Dental Plaque and Gingivitis From Oral Photographs: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVES: This systematic review aimed to evaluate the performance of deep learning (DL) models in detecting dental plaque and gingivitis from red, green, and blue (RGB) intraoral photographs. METHODS: A comprehensive literature search was conducted across Medline, Scopus, Embase, and Web of Science databases up to January 31, 2025. The methodological characteristics and performance metrics of studies developing and validating DL models for classification, detection, or segmentation tasks were analysed. The risk of bias was assessed using the quality assessment of diagnostic accuracy studies 2 (QUADAS-2) tool, and the certainty of the evidence was evaluated with the grading of recommendations assessment, development, and evaluation (GRADE) framework. RESULTS: From 3307 identified records, 23 studies met the inclusion criteria. Of these, 10 focused on dental plaque, 11 on gingivitis, and two addressed both outcomes. The risk of bias was low in all QUADAS-2 domains for 11 studies, with low applicability concerns in nine. For dental plaque, DL models showed robust performance in the segmentation task, with intersection over union (IoU) values ranging from 0.64 to 0.86 (median 0.74). Three studies indicated that DL models outperformed dentists in identifying dental plaque when disclosing agents were not used. For gingivitis, the models demonstrated potential but underperformed compared to dental plaque, with IoU values ranging from 0.43 to 0.72 (median 0.63). The certainty of the evidence was moderate for dental plaque and low for gingivitis. CONCLUSIONS: DL models demonstrate promising potential for detecting dental plaque and gingivitis from intraoral photographs, with superior performance in plaque detection. Leveraging accessible imaging devices such as smartphones, these models can enhance teledentistry and may facilitate early screening for periodontal disease. However, the lack of external testing, multicenter studies, and reporting consistency highlights the need for further research to ensure real-world applicability.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».