A Novel Deep Learning Framework for Multi-Class Orthopantomogram-Derived Single-Tooth Disease Classification
Notice bibliographique
Résumé
Dental radiographs are essential for diagnosing tooth-related diseases, yet their interpretation is often time-consuming and varies among clinicians.Although deep learning has advanced dental image analysis, most existing studies remain limited to binary classification or specific imaging modalities.This study aims to develop and evaluate a deep learning framework capable of multi-class single-tooth disease classification from radiographic images.A dataset of 4,439 single-tooth images was prepared from annotated dental radiographs, representing four clinically relevant categories: caries, deep caries, impacted teeth, and periapical lesions.The network integrates efficient convolutional and attention-based feature extraction with anti-aliased down-sampling and multi-scale feature aggregation to enhance representation and calibration reliability.Training employed a twophase augmentation strategy (heavy to light) and weighted cross-entropy loss under stratified five-fold cross-validation, with final predictions obtained through soft-voting ensemble averaging.The framework achieved an accuracy of 0.980 and an F1-score of 0.974, surpassing the performance reported in recent single-tooth classification studies, which typically achieve accuracies in the range of 0.92-0.95and F1-scores of approximately 0.83-0.94.These findings indicate that deep learning can provide accurate, consistent, and interpretable multi-class diagnosis at the tooth level, potentially reducing the diagnostic workload of dental professionals and allowing greater focus on complex clinical cases.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
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 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 ».