Performanța diagnostică a algoritmilor AI în identificarea leziunilor periapicale

Abstract

Introducere. Imaginile volumetrice CBCT sunt un standard de aur în diagnosticarea leziunilor periapicale. Totuși, ortopantomografia este pe larg acceptată drept o metodă eficace de screening, datorită costurilor reduse și dozei mici de radiație, în ultimii ani fiind făcute progrese semnificative în implementarea inteligenței artificiale (AI) în diagnostic, cu intenția de a eficientiza activitatea clinicianului. Scopul lucrării. Analiza comparativă a performanței diagnostice dintre interpretarea umană a imaginilor CBCT și a algoritmilor de inteligență artificială în identificarea leziunilor periapicale. Material și metode. Doi examinatori au identificat numărul de leziuni apicale pe imaginile CBCT și reconstrucțiile panoramice a 15 pacienți stomatologici (Clinica Fala Dental) în soft-ul Planmeca Romexis (Planmeca, Finlanda). Reconstrucțiile panoramice au fost analizate de doi algoritmi AI, YOLO (Ultralytics, SUA) și WeDiagnostix (WeDiagnostix, Franța), cu determinarea acurateței, sensibilității (Sn) și specificității (Sp) metodelor față de CBCT în depistarea leziunilor periapicale. Rezultate. Analiza manuală a reconstrucțiilor panoramice a demonstrat o acuratețe de 97.32%, Sn=75%, Sp=99.2%, algoritmul WeDiagnostix – acuratețe 96.30%, Sn=62.96%, Sp=98.68% și algoritmul YOLO – acuratețe 95.09%, Sn=41.67%, Sp=98.94%. Toate metodele au avut o acuratețe înaltă, apropiată de referință (CBCT), datorată preponderent specificității înalte, sensibilitatea având valori mai joase. Interpretarea manuală a reconstrucțiilor panoramice prezintă cea mai mare acuratețe, sensibilitate și specificitate față de standardul de aur, încadrându-se în cerințele față de o metodă viabilă de screening, dar nefiind eficace în identificarea leziunilor incipiente. Algoritmii de inteligență artificială au demonstrat o sensibilitate modestă, dar o specificitate înaltă, ceea ce înseamnă că sunt eficace în infirmarea diagnosticului de leziune periapicală, dar nu sunt precise în identificarea acestora. Concluzii. Performanța diagnostică a algoritmilor AI de procesare a imaginilor radiologice, la etapa actuală ar putea permite asistarea clinicianului în screening-ul primar a leziunilor periapicale, cât și ar fi de perspectivă ca instrument de instruire.

Background. Volumetric CBCT images represent the gold standard in diagnosing periapical lesions. However, orthopantomography is widely accepted as an effective screening method due to its low cost and reduced radiation dose. In recent years, significant progress has been made in implementing artificial intelligence (AI) in diagnostics, aiming to enhance clinician efficiency. Objective of the study. A comparative analysis of the diagnostic performance between human interpretation of CBCT images and artificial intelligence algorithms in identifying periapical lesions. Material and Methods. Two examiners identified the number of apical lesions on CBCT images and panoramic reconstructions of 15 dental patients (Fala Dental Clinic) using the Planmeca Romexis software (Planmeca, Finland). The panoramic reconstructions were analyzed by two AI algorithms: YOLO (Ultralytics, USA) and WeDiagnostix (WeDiagnostix, France). Accuracy, sensitivity (Sn), and specificity (Sp) of the methods were determined relative to CBCT for detecting periapical lesions. Results. Manual analysis of panoramic reconstructions demonstrated an accuracy of 97.32% (Sn = 75%, Sp = 99.2%). The WeDiagnostix algorithm exhibited an accuracy of 96.30% (Sn = 62.96%, Sp = 98.68%), while the YOLO algorithm showed an accuracy of 95.09% (Sn = 41.67%, Sp = 98.94%). All methods demonstrated high accuracy, closely approximating the reference standard (CBCT), primarily due to high specificity, whereas sensitivity values were comparatively lower. Manual interpretation of panoramic reconstructions achieved the highest accuracy, sensitivity, and specificity relative to the gold standard, making it a viable screening method. However, it remains ineffective in detecting early-stage lesions. AI algorithms demonstrated modest sensitivity but high specificity, indicating their effectiveness in ruling out periapical lesions, though they lack precision in their identification. Conclusions. The diagnostic performance of AI algorithms in radiological image processing, at the current stage, may assist clinicians in primary screening for periapical lesions and holds potential as an educational tool for training purposes.