Automated Classification of Dental Caries in Bitewing Radiographs Using Machine Learning and the ICCMS Framework
Notice bibliographique
Résumé
Background: Dental caries is considered a public health issue, with early detection being crucial for effective management. Traditional diagnostic methods, including visual examination and bitewing radiographs, are prone to interpretation variability. Artificial intelligence (AI), particularly deep learning (DL), has shown promise in improving diagnostic accuracy. This study evaluates the YOLOv11 model for dental caries detection and segmentation in bitewing radiographs, using the standardized International Caries Classification and Management System (ICCMS) framework. Methods: A dataset of 730 bitewing radiographs, containing 1115 annotated carious lesions, was used for training and validation. Annotation was performed by experienced dentists using the Roboflow platform. To evaluate annotation consistency, a subset of 10 images was independently annotated by both dentists. Agreement was assessed using Intersection over Union (IoU) and Dice similarity coefficient (DSC). The YOLOv11 model was trained for 50 epochs with data augmentation techniques. Performance was assessed using precision (P), recall (R), and mean average precision at 50% IoU (mAP50). Results: The reliability analysis showed strong agreement, with an average interrater IoU of 0.82 and DSC of 0.85, and intrarater IoU of 0.84 and DSC of 0.87 across the 10 images. The YOLOv11 model excelled in detecting and segmenting advanced carious lesions, achieving high mAP50 values of 0.74 and 0.80 for RB4 + RC5 and RC6 classes, respectively. However, it showed moderate performance for early‐stage lesions (RA1 + RA2 and RA3), with mAP50 scores of 0.61 and 0.52, respectively. This disparity highlights areas for potential enhancement through additional data augmentation and model fine‐tuning. Conclusion: The YOLOv11 model is highly effective in identifying dental caries, especially advanced lesions, but struggles with detecting early stages of caries. AI enhancements could improve diagnostic accuracy, enable better early interventions and improve patient outcomes. The research supports incorporating AI technologies into dental radiographic evaluations to improve diagnostics and clinical results.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».