Kísérleti kutatások szerint az új mesterséges intelligencia (MI) modellek növelhetik az észlelési pontosságot

Dental Tribune International

k. 31 március 2026

megosztás

mentés

TIRUCHIRAPPALLI, India: A mesterséges intelligencia (MI) integrálása az orvosi képalkotásba segítheti a diagnózist és csökkentheti a klinikai munkaterhelést. Egy új tanulmány két újabb MI képfelismerő modell – az úgynevezett transzformátorok – teljesítményét tesztelte a gyakori fogászati ​​állapotok panoráma röntgenfelvételeken történő automatikus felismerésében. Az eredmények rávilágítanak arra, hogy ezek a modellek gyorsabb és megbízhatóbb értékelésekkel támogathatják a fogorvosokat.

Az indiai kutatók által végzett tanulmány célja annak meghatározása volt, hogy a szoftverek képesek-e megbízhatóan besorolni egy panoráma röntgenfelvételt egy állapotkategóriába – fogszuvasodás, ínygyulladás, fogkő és hypodontia – az általános radiográfiai minta alapján. A szerzők két transzformátor modellt teszteltek, amelyek eltérően dolgozzák fel a képet, és összehasonlították diagnosztikai teljesítményüket és sebességüket. Céljuk a hagyományos diagnosztikai módszerek korlátainak kezelése volt, beleértve a szubjektivitást, a klinikusok közötti változékonyságot, valamint a korai vagy finom elváltozások felismerésének nehézségét.

A modelleket több mint 5000, több klinikai adattárból származó, jegyzetekkel ellátott panorámaképből álló adathalmaz segítségével képezték ki, validálták és tesztelték. Eredményeik azt mutatták, hogy a legjobban teljesítő modell valamivel magasabb diagnosztikai teljesítményt ért el, körülbelül 96%-os pontosságot elérve. A második modell hasonló pontosságot biztosított, de hatékonyabban futott – ez egy valós szempont. Itt a pontosság azt jelenti, hogy a modell milyen gyakran rendelte a megfelelő kategóriát a teljes röntgenfelvételhez. Mindkét modell képes volt a legtöbb röntgenfelvételt helyesen osztályozni, de a teljesítmény az állapottól függően eltérő volt.

Hogyan kapcsolódik ez a klinikákon már használt mesterséges intelligencia termékekhez?

Az olyan eszközök, mint a Pearl Second Opinion, a VideaHealth Detect AI és az Align X-ray Insights, támogatják a döntéshozatalt, mivel jellemzően kiemelik a röntgenfelvételeken található specifikus leletek szempontjából érdekes régiókat. Ezzel szemben a jelenlegi tanulmány azt értékelte, hogy a tesztelt AI-modellek felhasználhatók-e a röntgenfelvételek egészének, és nem régiónkénti automatizált kategorizálására.

Összességében a tanulmány arra a következtetésre jutott, hogy a transzformátor alapú rendszerek ígéretes eszközt kínálnak az automatizált diagnózishoz, és potenciálisan javíthatják a korai felismerést, csökkenthetik a diagnosztikai hibákat és egyszerűsíthetik a munkafolyamatokat. A jövőbeli munka a nagyobb és változatosabb adatkészletekkel történő tesztelésre, valamint a modellek finomítására fog összpontosítani a megbízhatóság biztosítása érdekében a rutin klinikai telepítés előtt.

Az „Önfigyelem alapú mélytanulási keretrendszer a pontos és hatékony fogászati ​​betegségek felismeréséhez OPG röntgenfelvételeken” (“A self attention based deep learning framework for accurate and efficient dental disease detection in OPG radiographs”) című tanulmány 2026. január 21-én jelent meg online a Scientific Reports folyóiratban.