
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于全景牙片放射组学特征的机器学习算法鉴别牙颈部龋齿与牙颈部曝光过度的诊断性能研究
《BMC Oral Health》:Differentiation of cervical caries and cervical burnout on orthopantomographic images: a radiomics-based machine learning approach
【字体: 大 中 小 】 时间:2026年10月08日 来源:BMC Oral Health 3.8
编辑推荐:
摘要背景旨在评估基于从全景牙片(OPG)图像中提取的放射组学特征的机器学习(ML)算法在区分牙颈部龋齿与牙颈部曝光过度方面的诊断性能。方法回顾性分析了一共 170 张 OPG 图像,包括 85 例牙颈部龋齿病例和 85 例年龄和性别匹配的牙颈部曝光过度病例。在进行观察者和观察
旨在评估基于从全景牙片(OPG)图像中提取的放射组学特征的机器学习(ML)算法在区分牙颈部龋齿与牙颈部曝光过度方面的诊断性能。
回顾性分析了一共 170 张 OPG 图像,包括 85 例牙颈部龋齿病例和 85 例年龄和性别匹配的牙颈部曝光过度病例。在进行观察者和观察者间重复性过滤后,使用方差阈值、SelectKBest 和最小绝对收缩和选择算子方法进行了降维。四种机器学习分类器,随机森林(RF)、K 近邻(KNN)、逻辑回归(LR)和决策树(DT),在训练队列中使用重复分层五折交叉验证进行了比较。选择了平均 AUC 最高的分类器,并在留出测试集上进行评估。额外的内部验证包括自助法乐观校正、嵌套交叉验证和重复训练 - 测试分割分析。
特征选择从一阶特征和纹理特征类中得出了八个放射组学特征。RF 实现了最高的平均交叉验证 AUC(0.68 ± 0.09),并被选为最终分类器。锁定的 RF 模型在留出测试集上产生了 0.57 的 AUC。自助法乐观校正产生了 0.64 的 AUC(95% CI:0.51–0.75),而嵌套交叉验证产生了 0.65 ± 0.13 的平均 AUC。在 10 次重复的训练 - 测试分割中,平均 AUC 为 0.65 ± 0.09(范围:0.47–0.79)。
基于放射组学的机器学习可能提供与在 OPG 图像上区分牙颈部龋齿与牙颈部曝光过度相关的定量成像信息。鉴于样本量适中且内部验证分析之间存在变异性,这些发现应被视为概念验证,并在临床应用前需要外部验证。
旨在评估基于从全景牙片(OPG)图像中提取的放射组学特征的机器学习(ML)算法在区分牙颈部龋齿与牙颈部曝光过度方面的诊断性能。
回顾性分析了一共 170 张 OPG 图像,包括 85 例牙颈部龋齿病例和 85 例年龄和性别匹配的牙颈部曝光过度病例。在进行观察者和观察者间重复性过滤后,使用方差阈值、SelectKBest 和最小绝对收缩和选择算子方法进行了降维。四种机器学习分类器,随机森林(RF)、K 近邻(KNN)、逻辑回归(LR)和决策树(DT),在训练队列中使用重复分层五折交叉验证进行了比较。选择了平均 AUC 最高的分类器,并在留出测试集上进行评估。额外的内部验证包括自助法乐观校正、嵌套交叉验证和重复训练 - 测试分割分析。
特征选择从一阶特征和纹理特征类中得出了八个放射组学特征。RF 实现了最高的平均交叉验证 AUC(0.68 ± 0.09),并被选为最终分类器。锁定的 RF 模型在留出测试集上产生了 0.57 的 AUC。自助法乐观校正产生了 0.64 的 AUC(95% CI:0.51–0.75),而嵌套交叉验证产生了 0.65 ± 0.13 的平均 AUC。在 10 次重复的训练 - 测试分割中,平均 AUC 为 0.65 ± 0.09(范围:0.47–0.79)。
基于放射组学的机器学习可能提供与在 OPG 图像上区分牙颈部龋齿与牙颈部曝光过度相关的定量成像信息。鉴于样本量适中且内部验证分析之间存在变异性,这些发现应被视为概念验证,并在临床应用前需要外部验证。