Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá chất lượng của các nhà cung cấp thương mại khác nhau sử dụng trí tuệ nhân tạo cho phân tích cephalometric tự động so với các chuyên gia chỉnh hình nhân lực
Fortschritte der Kieferorthopädie - Trang 1-16 - 2023
Tóm tắt
Mục tiêu của nghiên cứu này là đánh giá độ chính xác của các tham số cephalometric về xương và răng do các nhà cung cấp thương mại khác nhau tạo ra, những nhà này sử dụng phân tích cephalometric tự động hỗ trợ bởi trí tuệ nhân tạo (AI), và so sánh chất lượng của chúng với tiêu chuẩn vàng do các chuyên gia chỉnh hình thiết lập. Mười hai giám khảo chỉnh hình có kinh nghiệm đã xác định 15 điểm mốc radiographic trên tổng cộng 50 tấm X-quang cephalometric. Các điểm mốc này được sử dụng để tạo ra 9 tham số cho kế hoạch điều trị chỉnh hình. Tiêu chuẩn vàng của con người được xác định bằng cách tính giá trị trung vị của cả 12 đánh giá của con người cho mỗi tham số, mà từ đó đã phục vụ như các giá trị tham chiếu để so sánh với kết quả được cung cấp bởi bốn nhà cung cấp thương mại khác nhau của phân tích cephalometric tự động (DentaliQ.ortho [CellmatiQ GmbH, Hamburg, Đức], WebCeph [AssembleCircle Corp, Seongnam-si, Hàn Quốc], AudaxCeph [Audax d.o.o., Ljubljana, Slovenia], CephX [Orca Dental AI, Herzliya, Israel]). Phân tích biến thiên ANOVA với các phép đo lặp lại đã được tính toán và biểu đồ Bland–Altman được tạo ra cho các so sánh. Kết quả của các phép đo lặp lại ANOVA cho thấy sự khác biệt đáng kể giữa dự đoán của các nhà cung cấp thương mại và tiêu chuẩn vàng của con người cho cả chín tham số được nghiên cứu. Tuy nhiên, các so sánh theo cặp cũng cho thấy có sự khác biệt lớn giữa bốn nhà cung cấp thương mại. Mặc dù không có sự khác biệt trung bình đáng kể nào giữa các giá trị của DentaliQ.ortho và tiêu chuẩn vàng của con người, nhưng các dự đoán của AudaxCeph cho thấy sự sai lệch đáng kể ở bảy trong số chín tham số. Hơn nữa, các biểu đồ Bland–Altman cho thấy rằng một độ chính xác giảm của các dự đoán AI cần phải được mong đợi đặc biệt cho các giá trị liên quan đến độ nghiêng của các răng cửa. Các phân tích cephalometric hoàn toàn tự động hứa hẹn về việc tiết kiệm thời gian và tránh được những sai sót của con người. Tuy nhiên, hiện tại, chúng chỉ nên được sử dụng dưới sự giám sát của các lâm sàng viên có kinh nghiệm.
Từ khóa
Tài liệu tham khảo
Arik SO, Ibragimov B, Xing L (2017) Fully automated quantitative cephalometry using convolutional neural networks. J Med Imaging 4(1):14501. https://doi.org/10.1117/1.JMI.4.1.014501
Baumrind S, Frantz RC (1971) The reliability of head film measurements. 2. Conventional angular and linear measures. Am J Orthod 60(5):505–17. https://doi.org/10.1016/0002-9416(71)90116-3
Broadbent B (1931) A new X‑ray technique and its application to orthodontia. Angle Orthod 1(2):45–66
Chan CK, Tng TH, Hägg U, Cooke MS (1994) Effects of cephalometric landmark validity on incisor angulation. Am J Orthod Dentofacial Orthop 106(5):487–495. https://doi.org/10.1016/s0889-5406(94)70071-0
Chen R, Ma Y, Chen N, Lee D, Wang W (2019) Cephalometric landmark detection by attentivefeature pyramid fusion and regression-voting. MICCAI. https://doi.org/10.48550/arXiv.1908.08841
Dai X, Zhao H, Liu T, Cao D, Xie L (2019) Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks. IEEE Access 7:132738–132747. https://doi.org/10.1109/ACCESS.2019.2940623
Gilmour L, Ray N (2020) Locating cephalometric X‑Ray landmarks with foveated pyramid attention. MIDL. https://doi.org/10.48550/arXiv.2008.04428
Gonçalves FA, Schiavon L, Pereira Neto JS, Nouer DF (2006) Comparison of cephalometric measurements from three radiological clinics. Braz Oral Res 20(2):162–166. https://doi.org/10.1590/S1806-83242006000200013
Hwang HW, Park JH, Moon JH, Yu Y, Kim H, Her SB, Srinivasan G, Aljanabi MNA, Donatelli RE, Lee SJ (2020) Automated identification of cephalometric landmarks: part 2—Might it be better than human? Angle Orthod 90(1):69–76. https://doi.org/10.2319/022019-129.1
Kamoen A, Dermaut L, Verbeeck R (2001) The clinical significance of error measurement in the interpretation of treatment results. Eur J Orthod 23(5):569–578. https://doi.org/10.1093/ejo/23.5.569
Kılınç DD, Kırcelli BH, Sadry S, Karaman A (2022) Evaluation and comparison of smartphone application tracing, web based artificial intelligence tracing and conventional hand tracing methods. J Stomatol Oral Maxillofac Surg 123(6):e906–e915. https://doi.org/10.1016/j.jormas.2022.07.017
Kim H, Shim E, Park JM, Kim Y‑J, Lee U‑T, Kim Y (2020) Web-based fully automated cephalometric analysis by deep learning. Comput Methods Programs Biomed 194:105513
Kim J, Kim I, Kim YJ, Kim M, Cho JH, Hong M, Kang KH, Lim SH, Kim SJ, Kim YH, Kim N, Sung SJ, Baek SH (2021) Accuracy of automated identification of lateral cephalometric landmarks using cascade convolutional neural networks on lateral cephalograms from nationwide multi-centres. Orthod Craniofac Res 24(Suppl 2):59–67. https://doi.org/10.1111/ocr.12493
Kim YH, Lee C, Ha E‑G, Choi YJ, Han S‑S (2021) A fully deep learning model for the automatic identification of cephalometric landmarks. Imaging Sci Dent 51:299–306
Krouwer JS (2008) Why Bland-Altman plots should use X, not (Y+X)/2 when X is a reference method. Stat Med 27(5):778–780. https://doi.org/10.1002/sim.3086
Kunz F, Stellzig-Eisenhauer A (2022) Künstliche Intelligenz in der Kieferorthopädie. Quintessenz Zahnmed 9:836–841
Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J (2020) Artificial intelligence in orthodontics: evaluation of a fully automated cephalometric analysis using a customized convolutional neural network. J Orofac Orthop 81(1):52–68. https://doi.org/10.1007/s00056-019-00203-8
Le VNT, Kang J, Oh IS, Kim JG, Yang YM, Lee DW (2022) Effectiveness of human-artificial intelligence collaboration in cephalometric landmark detection. J Pers Med 12(3):387. https://doi.org/10.3390/jpm12030387
Lee C, Tanikawa C, Lim J‑Y, Yamashiro T (2019) Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches
Lee J‑H, Yu H‑J, Kim M‑J, Kim JW, Choi J (2020) Automated cephalometric landmark detection with confidence regions using bayesian convolutional neural networks. BMC Oral Health 20(1):270. https://doi.org/10.1186/s12903-020-01256-7
Mahto RK, Kafle D, Giri A, Luintel S, Karki A (2022) Evaluation of fully automated cephalometric measurements obtained from web-based artificial intelligence driven platform. BMC Oral Health 22(1):132. https://doi.org/10.1186/s12903-022-02170-w
Meriç P, Naoumova J (2020) Web-based fully automated cephalometric analysis: comparisons between app-aided, computerized, and manual tracings. Turk J Orthod 33(3):142–149. https://doi.org/10.5152/TurkJOrthod.2020.20062
Moreno M, Gebeile-Chauty S (2022) Comparative study of two software for the detection of cephalometric landmarks by artificial intelligence. Orthod Fr 93(1):41–61. https://doi.org/10.1684/orthodfr.2022.73
Nishimoto S, Sotsuka Y, Kawai K, Ishise H, Kakibuchi M (2019) Personal computer-based cephalometric landmark detection with deep learning, using cephalograms on the Internet. J Craniofac Surg 30(1):91–95. https://doi.org/10.1097/SCS.0000000000004901
Oh K, Oh IS, Le VNT, Lee DW (2021) Deep anatomical context feature learning for cephalometric landmark detection. IEEE J Biomed Health Inform 25(3):806–817. https://doi.org/10.1109/JBHI.2020.3002582
Ongkosuwito EM, Katsaros C, van’t Hof MA, Bodegom JC, Kuijpers-Jagtman AM (2002) The reproducibility of cephalometric measurements: a comparison of analogue and digital methods. Eur J Orthod 24(6):655–665. https://doi.org/10.1093/ejo/24.6.655
Park J‑H, Hwang H‑W, Moon J‑H, Yu Y, Kim H, Her S‑B, Srinivasan G, Aljanabi M, Donatelli R, Lee S‑J (2019) Automated identification of cephalometric landmarks: part 1—Comparisons between the latest deep-learning methods YOLOV3 and SSD. Angle Orthod. https://doi.org/10.2319/022019-127.1
Qian J, Luo W, Cheng M, Tao Y, Lin J, Lin H (2020) CephaNN: a multi-head attention network for cephalometric landmark detection. IEEE Access 8:112633–112641. https://doi.org/10.1109/ACCESS.2020.3002939
Ristau B, Coreil M, Chapple A, Armbruster P, Ballard R (2022) Comparison of AudaxCeph®’s fully automated cephalometric tracing technology to a semi-automated approach by human examiners. Int Orthod 20(4):100691. https://doi.org/10.1016/j.ortho.2022.100691
Santoro M, Jarjoura K, Cangialosi TJ (2006) Accuracy of digital and analogue cephalometric measurements assessed with the sandwich technique. Am J Orthod Dentofacial Orthop 129(3):345–351. https://doi.org/10.1016/j.ajodo.2005.12.010
Schwendicke F, Chaurasia A, Arsiwala L, Lee JH, Elhennawy K, Jost-Brinkmann PG, Demarco F, Krois J (2021) Deep learning for cephalometric landmark detection: systematic review and meta-analysis. Clin Oral Investig 25(7):4299–4309. https://doi.org/10.1007/s00784-021-03990-w
Song Y, Qiao X, Iwamoto Y, Chen Y (2020) Automatic cephalometric landmark detection on X‑ray images using a deep-learning method. Appl Sci 10(7):2547. https://doi.org/10.3390/app10072547
Tanikawa C, Lee C, Lim J, Oka A, Yamashiro T (2021) Clinical applicability of automated cephalometric landmark identification: part I—Patient-related identification errors. Orthod Craniofac Res 24(Suppl 2):43–52. https://doi.org/10.1111/ocr.12501
Wang CW, Huang CT, Hsieh MC, Li CH, Chang SW, Li WC, Vandaele R, Maree R, Jodogne S, Geurts P, Chen C, Zheng G, Chu C, Mirzaalian H, Hamarneh G, Vrtovec T, Ibragimov B (2015) Evaluation and comparison of anatomical landmark detection methods for cephalometric X‑Ray images: a grand challenge. IEEE Trans Med Imaging 34(9):1890–1900. https://doi.org/10.1109/TMI.2015.2412951
Yassir YA, Salman AR, Nabbat SA (2022) The accuracy and reliability of WebCeph for cephalometric analysis. J Taibah Univ Med Sci 17(1):57–66. https://doi.org/10.1016/j.jtumed.2021.08.010
Zeng M, Yan Z, Liu S, Zhou Y, Qiu L (2021) Cascaded convolutional networks for automatic cephalometric landmark detection. Med Image Anal 68:101904. https://doi.org/10.1016/j.media.2020.101904
Zhong Z, Li J, Zhang Z, Jiao Z, Gao X (2019) An attention-guided deep regression model for landmark detection in cephalograms, pp 540–548