Development and evaluation of an AI model for dental implant type detection: A comparison of diagnostic accuracy between a deep learning model and dental professionals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: To develop a deep-learning system for identifying five dental implant brands from periapical radiographs and compare its diagnostic accuracy with dental professionals and evaluate successive You Only Look Once (YOLO) architectures (v7-v12) to justify model selection. MATERIALS AND METHODS: A dataset of 5851 periapical radiographs was compiled and divided into training, validation, and test partitions (80/10/10). After filtering to five brands (Adin, Dentium, Noris, OSSTEM, and Straumann), YOLO-based object detection models (versions 7-12) were trained and tested under identical conditions. The YOLOv12x model was adopted for final evaluation based on its optimal balance of accuracy and inference speed. Human performance was assessed using 100 held-out test images (20 per brand) via a multiple-choice web survey distributed to six clinician groups. Diagnostic metrics included mean average precision at IoU 0.50 (mAP@50), mAP@50-95, precision, recall, and accuracy. RESULTS: The model achieved an mAP@50 of 0.989 (98.9%), an mAP@50-95 of 0.900 (90.0%), a precision of 0.969 (96.9%), and a recall of 0.977 (97.7%) across brands. Across YOLO generations, performance improved from mAP@50-95 = 0.817 (YOLOv7) to 0.905 (YOLOv12x). Fifty-two clinicians completed 5,200 image evaluations; the model significantly outperformed all clinician subgroups (one-way ANOVA with Tukey HSD, p < 0.001). Transformer-based DF-DETR achieved mAP@50-95 = 0.878, confirming YOLOv12x's superior efficiency-accuracy trade-off. CONCLUSIONS: A high-performing model identified implant brands on periapical radiographs and outperformed clinicians across experience levels. Comparative analysis across YOLO architectures validated its measurable advantage in accuracy and speed. Lack of external validation and dataset imbalance are important limitations; future work will include external, multisite data and human-AI workflow evaluation.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle