Apprentissage Profond pour la Détection Radiographique de la Perte Osseuse Parodontal

Nous avons appliqué des réseaux de neurones convolutifs profonds (CNN) pour détecter la perte osseuse parodontal (PBL) sur des radiographies dentaires panoramiques. Nous avons synthétisé un ensemble de 2001 segments d'image à partir de radiographies panoramiques. Notre test de référence était le pourcentage mesuré de PBL. Un CNN profond à propagation avant a été entraîné et validé par 10 répétitions de mélanges de groupes. Les architectures de modèle et les hyperparamètres ont été ajustés à l'aide d'une recherche par grille. Le modèle final était un réseau de neurones profond à sept couches, paramétré par un nombre total de 4 299 651 poids. Pour comparaison, six dentistes ont évalué les segments d'image pour la PBL. En moyenne sur 10 pliages de validation, la précision de classification moyenne (écart-type) du CNN était de 0,81 (0,02). La sensibilité moyenne (écart-type) et la spécificité étaient respectivement de 0,81 (0,04) et 0,81 (0,05). La précision moyenne (écart-type) des dentistes était de 0,76 (0,06), mais le CNN n’était pas statistiquement significativement supérieur par rapport aux examinateurs (p = 0,067/test de t). La sensibilité et la spécificité moyennes des dentistes étaient respectivement de 0,92 (0,02) et 0,63 (0,14). Un CNN entraîné sur une quantité limitée de segments d'images radiographiques a montré au moins une capacité de discrimination similaire à celle des dentistes pour évaluer la PBL sur des radiographies panoramiques. Les efforts diagnostiques des dentistes lors de l'utilisation de radiographies peuvent être réduits en appliquant des technologies basées sur l'apprentissage machine.