Use of artificial intelligence for detection of MB2 canals in maxillary first molars on CBCT: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Detecting the second mesiobuccal (MB2) canal in maxillary first molars is challenging, even with cone-beam computed tomography (CBCT). Artificial intelligence (AI), especially deep learning, has been explored as a tool to aid detection. OBJECTIVES: This systematic review and meta-analysis evaluated the diagnostic accuracy of AI in identifying MB2 canals on CBCT. METHODS: Following PRISMA guidelines, a comprehensive electronic search across five databases (PubMed, Scopus, Web of Science, Embase, and Scopus Secondary) retrieved 52 articles. After removing duplicates and screening titles/abstracts, 7 full texts were assessed, of which 4 met the inclusion criteria. Studies were eligible if they applied AI algorithms for MB2 detection in CBCT images and reported diagnostic performance outcomes. Data extraction included study design, dataset size, AI model architecture, and diagnostic metrics. Pooled estimates of sensitivity, specificity, accuracy, positive predictive value (PPV), and negative predictive value (NPV) were calculated using a random-effects model. Heterogeneity was assessed with the I² statistic, and publication bias was evaluated with Egger's test. RESULTS: Four studies were included. AI models achieved a pooled sensitivity of 0.82 and specificity of 0.74. Deep learning models outperformed traditional machine learning, with higher sensitivity (0.87 vs. 0.80), specificity (0.90 vs. 0.68), and accuracy (0.84 vs. 0.75). Considerable heterogeneity and small sample sizes limited generalizability. CONCLUSION: AI, particularly deep learning, shows promise in detecting MB2 canals on CBCT. While current evidence is preliminary, standardised AI training and reporting protocols, together with larger multicenter studies, are needed to validate these tools. Clinically, AI could serve as a supplementary aid to improve diagnostic consistency and reduce missed canals during endodontic treatment.
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 | 0,015 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,029 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».