Ứng dụng mô hình học máy trong xác định tỷ lệ viêm quanh chóp
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu mô tả cắt ngang, thực hiện trên 1.242 bệnh nhân (29.852 răng) chụp phim X-quang toàn cảnh tại Viện Đào tạo Răng Hàm Mặt năm 2022. Tổn thương VQC được phát hiện bởi mô hình học máy và xác nhận bởi hai bác sĩ độc lập. Dữ liệu được phân tích bằng SPSS 26.0 với các kiểm định thống kê phù hợp (Chi-square, t-test, p < 0,05). Tỷ lệ VQC trung bình là 22,49%, tăng dần theo tuổi và cao nhất ở nhóm trên 60 tuổi (36,15%). Răng hàm lớn có tỷ lệ tổn thương cao nhất (2,14%), song sự khác biệt giữa các nhóm răng không có ý nghĩa thống kê. Trong các răng đã điều trị nội nha, 36,5% vẫn còn tồn thương quanh chóp; tỷ lệ này liên quan rõ rệt đến độ đồng nhất vật liệu trám và chiều dài làm việc (p < 0,001). Mô hình học máy giúp giảm tỷ lệ bỏ sót tổn thương, với mức bỏ sót của bác sĩ độc lập dao động từ 4,84% đến 7,02%, nhưng sự khác biệt giữa các vị trí răng không có ý nghĩa thống kê (p > 0,05).
Chi tiết bài viết
Từ khóa
Viêm quanh chóp, mô hình học máy tính, Faster R-CNN, X-quang toàn cảnh
Tài liệu tham khảo
2. Khalighinejad N, Aminoshariae MR, Aminoshariae A, et al. Association between Systemic Diseases and Apical Periodontitis. J Endod. 2016; 42(10): 1427-1434. doi:10.1016/j.joen.2016.07.007.
3. Patel S, Durack C, Abella F, et al. Cone beam computed tomography in Endodontics - a review. Int Endod J. 2015; 48(1): 3-15. doi:10.1111/iej.12270.
4. Ekert T, Krois J, Meinhold L, et al. Quality of root canal fillings and prevalence of apical radiolucencies in a German population: a CBCT analysis. Journal of Endodontics. 2019; 45(7): 917-922.e5. doi:10.1016/j.joen.2019.03.016.
5. Setzer FC, Shi KJ, Zheng Z, et al. Artificial Intelligence for the Computer-aided Detection of Periapical Lesions in Cone-beam Computed Tomographic Images. Journal of Endodontics. 2020; 46(7): 987-993. doi:10.1016/j.joen.2020.03.025.
6. Matijević J, Cizmeković Dadić T, Prpic Mehicic G, et al. Prevalence of apical periodontitis and quality of root canal fillings in population of Zagreb, Croatia: a cross-sectional study. Croat Med J. 2011; 52(6): 679-687. doi:10.3325/cmj.2011.52.679.
7. Bürklein S, Schäfer E, Jöhren HP, et al. Quality of root canal fillings and prevalence of apical radiolucencies in a German population: a CBCT analysis. Clin Oral Invest. 2020; 24(3): 1217-1227. doi:10.1007/s00784-019-02985-y.
8. Ekert T, Krois J, Meinhold L, et al. Deep Learning for the Radiographic Detection of Apical Lesions. Journal of Endodontics. 2019; 45(7): 917-922.e5. doi:10.1016/j.joen.2019.03.016.
9. Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017; 42: 60-88. doi:10.1016/j.media.2017.07.005.
10. Moidu NP, Sharma S, Chawla A, et al. Deep learning for categorization of endodontic lesion based on radiographic periapical index scoring system. Clin Oral Invest. 2022; 26(1): 651-658. doi:10.1007/s00784-021-04043-y.
11. G K, Singh N, Yadav R, et al. Comparative analysis of the accuracy of periapical radiography and cone-beam computed tomography for diagnosing complex endodontic pathoses using a gold standard reference - A prospective clinical study. Int Endodontic J. 2021; 54(9): 1448-1461. doi:10.1111/iej.13535.