Βαθιά μάθηση τερηδόνα: Η μελέτη έδωσε ένα πολλά υποσχόμενο αποτέλεσμα της τεχνητής νοημοσύνης στην αυτοματοποίηση της ανίχνευσης της τερηδόνας από μια κλινική φωτογραφία.
Μια διαγνωστική μελέτη για την ανίχνευση της τερηδόνας από κλινική φωτογραφία με χρήση αλγόριθμου βαθιάς μάθησης θα παρουσιαστεί στην 101η Γενική Συνεδρία της IADR, η οποία θα πραγματοποιηθεί σε συνδυασμό με την 9η Συνάντηση της Περιφέρειας της Λατινικής Αμερικής και το 12ο Παγκόσμιο Συνέδριο στην Προληπτική Οδοντιατρική στις 21-24 Ιουνίου 2023, στη Μπογκοτά της Κολομβίας.
Η παρουσίαση της Διαδραστικής Ομιλίας, «Αυτόματη ανίχνευση τερηδόνας με χρήση αλγόριθμου βαθιάς μάθησης», θα πραγματοποιηθεί το Σάββατο 24 Ιουνίου στις 4:25 μ.μ. Ώρα Κολομβίας (UTC-05:00) κατά τη διάρκεια της συνεδρίας “Επικράτηση των συνθηκών υγείας και των παραγόντων κινδύνου”. Η μελέτη από τον Chukwuebuka Elozona Ogwo από το Temple University προσπάθησε να προσδιορίσει την ακρίβεια, την ακρίβεια και την ευαισθησία του αλγόριθμου ανίχνευσης αντικειμένων YOLOv7 στην ανίχνευση τερηδόνας από κλινικές φωτογραφίες και να αναπτύξει λογισμικό για την ανίχνευση της τερηδόνας.
Στη μελέτη συμπεριλήφθηκαν μόνο συναινούντες ενήλικες (>=18 ετών) με μόνιμη οδοντοφυΐα που λαμβάνουν φροντίδα στην Οδοντιατρική Σχολή του Πανεπιστημίου Temple Kornberg. 300 ενδοστοματικές φωτογραφίες των μασητικών επιφανειών τόσο της κάτω γνάθου όσο και της άνω γνάθου συλλέχθηκαν από φοιτητές οδοντιατρικής 4ου έτους χρησιμοποιώντας τις κάμερες Coolpix L840. Οι εικόνες σχολιάστηκαν χρησιμοποιώντας το Roboflow V4. Μετά την προεπεξεργασία και την αύξηση δεδομένων, δημιουργήθηκαν 845 εικόνες και χωρίστηκαν τυχαία σε τρία σύνολα: εκπαίδευση, επικύρωση και δοκιμή — 70:20:10, αντίστοιχα.
Τα δεδομένα στη συνέχεια αναλύθηκαν χρησιμοποιώντας το YOLO v7 σε 100 εποχές, με μέγεθος παρτίδας 1 και μέγεθος εικόνας 1280×640. Οι μετρήσεις απόδοσης του αλγορίθμου ήταν η μέση ακρίβεια (mAP), η ανάκληση (ευαισθησία) και η ακρίβεια (θετική προγνωστική τιμή). Ο τελικός αλγόριθμος χρησιμοποιήθηκε για τη δημιουργία λογισμικού στο Flask και το ανέπτυξε στο Heroku.
Ο αλγόριθμος οδήγησε σε 79,5% ακρίβεια, 83% ανάκληση, 81,2% βαθμολογία F1 και 80% βαθμολογία mAP@0,5 στην ανίχνευση της τερηδόνας σε μια κλινική φωτογραφία τόσο της κάτω γνάθου όσο και της άνω γνάθου. Η μελέτη έδωσε ένα πολλά υποσχόμενο αποτέλεσμα της τεχνητής νοημοσύνης στην αυτοματοποίηση της ανίχνευσης της τερηδόνας από μια κλινική φωτογραφία. Όταν αναπτύσσεται ως εφαρμογή τηλεφώνου, μπορεί να χρησιμεύσει ως σημαντικό εργαλείο για την τηλεοδοντιατρική και να βελτιώσει την πρόσβαση στην περίθαλψη.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
