REMOVED: Human-AI collaboration for mandibular canal tracing accuracy on cone-beam computed tomography: A multi-evaluator study
Notice bibliographique
Résumé
Objectives To evaluate the accuracy, efficiency, and reliability of manual, artificial intelligence (AI)-driven, and AI-assisted tracing methods for locating the mandibular canal (MC) on cone-beam computed tomography (CBCT) across clinical scenarios and evaluators. Methods Phase 1 established a calibration reference standard using a dry human mandible. In Phase 2, five evaluators assessed ten CBCT scans using manual and AI-assisted methods, while one expert performed all methods. The dataset included a range of anatomical variations and alterations. MC tracings were evaluated using Dice Similarity Coefficient (DSC) and Hausdorff Distance (HD95), and boundary precision differences was analyzed with a linear mixed-effects model. Accuracy, efficiency, and agreement were assessed. Results A total of 292 MC tracings were evaluated. Manual tracing showed excellent intra-evaluator consistency (DSC: 0.99, HD95: 1.11) but low inter-evaluator agreement (ICC: 0.30). AI-assisted methods demonstrated near-perfect intra-evaluator reliability (DSC: 0.81, HD95: 2.2) and good inter-evaluator agreement (ICC: 0.72, DSC: 0.91, HD95: 1.23). Manual tracing showed the highest accuracy (DSC: 0.98) and was the slowest (6.2 min). The AI-driven method showed strong accuracy (DSC: 0.87) and was the fastest (13-20 s). The AI-assisted method balanced speed (4.2 min) and accuracy (DSC: 0.83), with superior boundary precision compared to manual ( p = 3×10 -4 ) and AI-driven methods ( p = 1.0). Conclusion Manual tracing remains the most accurate method, time-intensive, and variable across evaluators. AI-driven tracing improved efficiency but was less reliable in complex cases. AI-assisted tracing balanced accuracy and efficiency, improved boundary precision, and reduced variability, supporting its role in clinical decision-making. Clinical Relevance The AI-assisted mandibular canal tracing method provides an effective balance between accuracy and efficiency. This reduces inter-user variability and improves reliability across users, even in complex anatomical cases.
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 | 0,047 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».