Artificial Intelligence in the Detection of Clinically Negotiable Second Mesio‐Buccal Canals in Periapical Images of Maxillary Molars
Notice bibliographique
Résumé
AIM: Artificial intelligence (AI) has the potential to aid clinicians in assessing case difficulty in endodontics. The objectives of this study were to develop and validate deep learning models for the detection of clinically negotiable MB2 canals in periapical images of maxillary first and second molars, and to compare the performance of AI models with that of human clinicians. METHODOLOGY: A total of 1504 pre-operative periapical images of maxillary first and second molars that were treated by endodontic specialists were collected with clinical data as to the presence or absence of a clinically negotiable MB2 canal. Six pretrained supervised convolutional neural networks (ResNet-18, ResNet-50, ResNeXt-101, VGG-16, DenseNet-121 and MobileNetV2) and three self-supervised models (DINO, SimCLR and BYOL) were fine-tuned using fivefold cross-validation. Model performance was evaluated on a hold-out test set using accuracy, precision, sensitivity, specificity, and F1-score with 95% confidence intervals. Three independent clinicians (an endodontist, an endodontic resident, and an oral and maxillofacial radiologist) also assessed the test set. RESULTS: In cross-validation, ResNet-50 achieved the highest mean accuracy (67.6%), while DINO was the top-performing self-supervised model (62.8%). ResNet-18, ResNet-50, ResNeXt-101, DenseNet-121 and DINO significantly outperformed BYOL (p < 0.01), while no significant differences were observed among the top-performing models. ResNet-18 achieved the highest accuracy at 66.0% (95% CI, 63.0-68.9) on the test set while human expert accuracy ranged from 53.6% to 61.4%. Stratified analysis showed a general trend for improved AI model performance in maxillary first molars and in teeth without full-crown restorations. There was no significant difference in the accuracy of the top-performing AI model and human experts (p > 0.05). CONCLUSION: Deep learning models performed similarly to clinician experts in identifying clinically negotiable MB2 canals in periapical images of maxillary first and second molars. These findings support the potential role of AI in endodontic case difficulty assessment.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».