Use of Convolutional Neural Networks for Detection of Pathologies in Dental X-Ray Images in Clinical Decision Support Systems
Notice bibliographique
Résumé
Relevance: The relevance of the study is determined by the need for automated, scalable solutions for processing large volumes of dental radiological images, which provide precise segmentation, detection, and classification of pathologies in the integrated Clinical Decision Support System (CDSS) modules. Aim: The aim of the study is to develop, optimize, and verify a HITL-CDSS framework for dental radiology with multi-level integration of Convolutional Neural Network (CNN) models, ensuring architectural consistency, metric validity, and expert adaptability. Methods: Research methods: critical architectural and functional analysis of CNN models, metric and indicator modelling of efficiency, synthesis and Unified Modelling Language-based (UML)modelling of the CDSS framework, UML optimization with Human-in-the-loop (HITL) integration, metric and indicator verification of HITL-CDSS. Results: Architectural and functional, metric and indicator, as well as UML modelling of CNN architectures was carried out for the purpose of integration into the dental radiology CDSS. The resultant HITL-optimized framework based on DenseNet/EfficientNet, HRNet, YOLOv8 provided AUC = 0.96–0.98, F1@t = 0.91–0.94, DSC = 0.89–0.92, mAP = 0.72–0.77 at ECE = 0.02–0.04. Integration of HITL mechanisms increased Explainable Artificial Intelligence (XAI) interpretability, resistance to domain shifting, and clinical validity, indicating the appropriateness of multi-modular construction of CDSS with the inclusion of expert feedback. Conclusion: The academic novelty of the study is the development of a HITL-CDSS framework with multi-level CNN integration, which provides metrically verified interpretability, domain-stable generalizability, and clinical relevance in dental radiology tasks.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».