PERKEMBANGAN PENGGUNAAN INTELIGENSIA BUATAN SEBAGAI ALAT BANTU DIAGNOSA PENYAKIT PERIODONTITIS BERBASIS DATA CITRA RONTGEN PANORAMIK GIGI: KAJIAN PUSTAKA
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
Kemajuan dalam bidang Inteligensia Buatan (Artificial Intelligence, AI) telah menghadirkan peluang baru dalam dunia medis, khususnya dalam analisis citra medis berbasis prinsip fisika. Penyakit periodontitis, yang merupakan infeksi kronis pada jaringan penyangga gigi, dapat dideteksi melalui pencitraan rontgen panoramik yang memanfaatkan sifat penyerapan dan hamburan sinar-X oleh struktur anatomi gigi dan tulang alveolar. Namun, analisis citra ini sering kali bergantung pada subjektivitas dokter gigi, sehingga diperlukan pendekatan komputasional untuk meningkatkan akurasi deteksi. Kajian pustaka ini bertujuan untuk mengidentifikasi metode AI yang diterapkan dalam proses diagnosis periodontitis menggunakan citra rontgen panoramik gigi. Delapan artikel ilmiah yang direview menunjukkan penggunaan teknik ekstraksi fitur seperti Gray Level Co-occurrence Matrix (GLCM) dan algoritma klasifikasi meliputi Random Forest, k-Nearest Neighbours (kNN), Convolutional Neural Network (CNN), YOLOv4, InceptionV3, dan Faster R-CNN. Evaluasi performa menghasilkan akurasi antara 64% hingga 91% dan nilai F1-score tertinggi sebesar 91,07%. Validitas metodologi pada artikel dinilai menggunakan Newcastle-Ottawa Scale (NOS) dan mayoritas menunjukkan kualitas sedang hingga tinggi. Temuan ini memperlihatkan bahwa integrasi AI dalam analisis radiografi gigi berpotensi memberikan hasil diagnosis yang lebih objektif dan efisien..
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,021 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle