DePerio: Innovative Deep Learning-based Framework for Periodontal Disease Diagnosis and Severity Evaluation Using Saliva Samples
Notice bibliographique
Résumé
Recent research has identified salivary oral polymorphonuclear neutrophils (oPMNs) as reliable cellular biomarkers for monitoring the progression of periodontal disease (PD). While conventional diagnostic tools such as periodontal probing and radiographic imaging are effective at detecting advanced disease stages, they lack the sensitivity required for early diagnosis. oPMNs, derived from circulating white blood cells (WBCs), transmigrate through the oral epithelium and appear in saliva with diverse morphological characteristics. Although deep learning-based WBC quantification has been extensively explored using peripheral blood datasets, the unique morphology of oPMNs necessitates the development of new image datasets and retraining of models tailored to their detection. To address these challenges, we introduce DePerio-an AI-powered diagnostic pipeline that integrates a novel oPMN isolation protocol with deep neural network (DNN) architectures. We evaluate the performance of multiple DNN models to achieve accurate detection and quantification of oPMNs. Validated against standard quantification methods for oPMNs and oral inflammatory load (OIL), DePerio achieved a detection error rate of less than 5%. In a clinical study involving 111 human saliva samples, spanning individuals from healthy to severe periodontitis cases, and successfully classified five distinct OIL levels. This robust and low-complexity platform provides a scalable and practical solution for early PD detection and longitudinal monitoring in clinical dental practice.
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 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 | 0,002 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».