Ứng dụng trí tuệ nhân tạo trong phát hiện xoang sâu loại II trên phim X-quang cánh cắn

Tóm tắt

Đặt vấn đề: Sâu răng loại II theo phân loại G.V. Black là dạng tổn thương thường gặp nhưng khó phát hiện trong thực hành lâm sàng do vị trí nằm ở mặt bên và dễ bị che khuất trên phim X-quang cánh cắn. Trong những năm gần đây, trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu, đã cho thấy tiềm năng trong hỗ trợ chẩn đoán hình ảnh y học. Nghiên cứu này nhằm đánh giá hiệu suất của mô hình trí tuệ nhân tạo trong phát hiện sâu răng loại II trên phim X-quang cánh cắn. Đối tượng và phương pháp: Nghiên cứu được thực hiện trên 384 phim X-quang cánh cắn. Mô hình trí tuệ nhân tạo được xây dựng và đánh giá qua 4 giai đoạn huấn luyện với mức độ tối ưu hóa tăng dần. Thuật toán YOLO được sử dụng để phát hiện và định vị tổn thương sâu răng. Kết quả dự đoán của mô hình được so sánh với chẩn đoán xác định bởi bác sĩ Răng Hàm Mặt với sự đồng thuận. Các chỉ số đánh giá bao gồm độ nhạy, độ đặc hiệu, độ chính xác, giá trị dự đoán dương, điểm F1. Các số liệu được phân tích bằng phần mềm JASP. Kết quả: Ở giai đoạn 1, mô hình có độ chính xác thấp (4%), độ nhạy bằng 0%, độ đặc hiệu thấp (8%) và điểm F1 bằng 0, cho thấy mô hình chưa có khả năng phát hiện và định vị tổn thương sâu răng. Ở giai đoạn 2, độ chính xác đạt 26%, độ nhạy 2%, độ đặc hiệu 50% và điểm F1 đạt 0,026. Ở giai đoạn 3, mô hình cải thiện với độ chính xác 57%, độ nhạy 52,3%, độ đặc hiệu 73,9% và điểm F1 đạt 0,582. Ở giai đoạn 4, mô hình đạt hiệu suất tối ưu với độ chính xác 76,2%, độ nhạy 73,8%, độ đặc hiệu 78,6% và điểm F1 đạt 0,756. Chỉ số tự tin của mô hình tăng dần từ 0 lên đến 0,95 qua các giai đoạn và có xu hướng tương quan thuận với hiệu suất. Tuy nhiên, sự chênh lệch giữa chỉ số tự tin và hiệu suất thực tế cho thấy mô hình có xu hướng tự tin thái quá trong một số trường hợp, cần được cân nhắc khi áp dụng trong thực hành lâm sàng. Kết luận: Mô hình trí tuệ nhân tạo sử dụng thuật toán YOLO có khả năng phát hiện và định vị sâu răng loại II trên phim X-quang cánh cắn với hiệu suất tốt, tuy nhiên, cần thận trọng khi áp dụng trong thực hành lâm sàng do sự sai lệch giữa độ tự tin và hiệu suất thực tế của mô hình. Abstract Background: Class II dental caries according to G.V. Black classification are common yet challenging to detect in clinical practice due to their proximal location and overlapping structures on bitewing radiographs. In recent years, artificial intelligence (AI), particularly deep learning models, has demonstrated promising potential in medical image analysis. This study aimed to evaluate the performance of an AI model in detecting Class II dental caries on bitewing radiographs. Materials and methods: This study was conducted on 384 bitewing radiographs. The AI model was developed and evaluated through four progressive training stages with increasing levels of optimization. The YOLO algorithm was applied for lesion detection and localization. Model predictions were compared with consensus diagnoses made by dental specialists. Performance was assessed using sensitivity, specificity, accuracy, positive predictive value, and F1-score. Data were analyzed using JASP software. Results: In stage 1, the model demonstrated low accuracy (4%), sensitivity of 0%, low specificity (8%), and an F1-score of 0, indicating an inability to detect and localize carious lesions. In stage 2, accuracy reached 26%, sensitivity 2%, specificity 50%, and F1-score 0.026. In stage 3, performance improved with accuracy of 57%, sensitivity of 52.3%, specificity of 73.9%, and F1-score of 0.582. In stage 4, the model achieved optimal performance with accuracy of 76.2%, sensitivity of 73.8%, specificity of 78.6%, and F1-score of 0.756. The model’s confidence score increased from 0 to 0.95 across stages and showed a positive correlation with performance. Conclusion: The YOLO-based AI model demonstrated good performance in detecting and localizing Class II dental caries on bitewing radiographs. However, the discrepancy between model confidence and actual performance suggests potential overestimation, which should be considered in clinical applications.