Artificial intelligence-assisted identification of condensing osteitis and idiopathic osteosclerosis on panoramic radiographs
Notice bibliographique
Résumé
Idiopathic osteosclerosis (IOS) and condensing osteitis (CO) represent radiopaque lesions often detected incidentally within the jaws, posing substantial diagnostic challenges due to their overlapping radiographic characteristics. The objective of this study was to assess the diagnostic efficacy of YOLOv8 and YOLOv11 deep learning algorithms in the identification of IOS and CO lesions on panoramic radiographs. A comprehensive collection of 1,000 panoramic images was retrospectively gathered and meticulously annotated utilizing a bounding box approach by two proficient oral and maxillofacial radiologists. All images were standardized to a resolution of 640 × 640 pixels and segregated into training (70%), validation (15%), and testing (15%) subsets. The performance of the models was evaluated based on metrics including accuracy, sensitivity, precision, F1 score, and the area under the receiver operating characteristic curve (AUC). YOLOv11 achieved notable precision scores of 98.8% for IOS and 97.1% for CO, alongside F1 scores of 96.8% and 95.6%, respectively. Conversely, YOLOv8 produced precision scores of 96.6% for IOS and 91.4% for CO, with F1 scores of 94% and 90%. These findings illustrate that AI-enhanced deep learning models possess the capability to accurately identify IOS and CO lesions, thereby presenting opportunities to improve diagnostic consistency, avert unnecessary invasive procedures, and facilitate more effective treatment planning within clinical practice.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».