diagnostik
Artikel
Halaman 2
Diagnostik 2020 , 10, 430 2 dari 21
1. Perkenalan
Gambar untuk penelitian ini diperoleh dari klinik rawat jalan di Departemen
Oral dan Bedah Maksilofasial, Charite, Berlin. Di Departemen Bedah Mulut dan
Maksilofasial, Charite, Di Berlin, radiografi panoramik digunakan sebagai modalitas
pencitraan standar karena keseluruhan barangnya bagus kemampuan diskriminatif
diagnostik. Selanjutnya, modalitas ini memungkinkan ikhtisar dengan menilai
keseluruhan pertumbuhan gigi ditambah struktur tulang di sekitarnya, sambil
menggunakan radiasi dosis rendah [33- 35] Namun, standar keseluruhan dalam
radiografi endodontik untuk mendeteksi perubahan periapikal radiolusen, terutama
untuk deteksi periodontitis apikal, adalah radiografi periapikal [33]
Penggunaan gambar dan partisipasi ahli bedah OMF dalam penelitian ini
disetujui oleh dewan peninjau kelembagaan di Universitas Harvard (nomor referensi
dewan: IRB17-0456; tanggal persetujuan: 01 Mei 2018) dan Charite, Berlin (nomor
referensi dewan: EA2 / 030/18; tanggal persetujuan:
Halaman 3
Diagnostik 2020 , 10, 430 3 dari 21
15 Maret 2018). Persetujuan tertulis untuk penelitian ini diperoleh dari semua OMF
yang berpartisipasi ahli bedah. Semua metode dan eksperimen dilakukan sesuai dengan
pedoman yang relevan dan peraturan (Deklarasi Helsinki). Anotasi dari semua radiograf
panoramik berlangsung di ruang baca radiologi standar termasuk monitor radiologi
klinis yang terhubung ke sistem teknologi informasi rumah sakit. Semua ahli bedah
OMF yang berpartisipasi memberi catatan gambar pada aplikasi berbasis web, yang
dikembangkan untuk penelitian ini.
Halaman 4
Diagnostik 2020 , 10, 430 4 dari 21
Halaman 5
Diagnostik 2020 , 10, 430 5 dari 21
dibuat oleh ahli bedah OMF, yang mengambil dan menilai gambar radiografi setiap
pasien, kemudian secara klinis menguji setiap gigi dalam rahang pasien menggunakan
perkusi dan vitalitas termal tes. Kumpulan data dibagi menjadi dua himpunan bagian
terputus-putus pada tingkat pasien: satu set validasi gambar (digunakan untuk pemilihan
model) dan set uji gambar 102 (sama seperti yang dijelaskan dalam Bagian 2.1 Metode
dan Bahan) yang digunakan untuk evaluasi akhir dari model kami yang
terlatih. Periapikal radiolusen terkait distribusi perubahan untuk set ini, bersama dengan
set data pelatihan, ditunjukkan pada Gambar 1.
2.6. Model
Kami membingkai tugas deteksi perubahan periapikal radiolusen sebagai
masalah klasifikasi padat, dimana setiap piksel dalam gambar radiografi yang
dimasukkan ditentukan mengandung radiolusen perubahan periapikal atau tidak (lihat
Lampiran A untuk detail lengkap). Model ini didasarkan pada convolutional yang
mendalam jaringan saraf untuk segmentasi gambar [37], yang menampilkan peta
intensitas yang menunjukkan wilayah tinggi atau keyakinan rendah mengandung
perubahan periapikal radiolusen. Peta intensitas ini selanjutnya postprocessed untuk
menghasilkan daftar titik lokasi dari perubahan periapikal radiolusen dalam gambar, dan
skor kepercayaan terkait pada interval (0,1) (Gambar 2 dan A1, Angka A2- A5).
Halaman 6
Diagnostik 2020 , 10, 430 6 dari 21
2.7. Metrik Evaluasi
Kinerja model kami dinilai dari segi nilai prediksi positif (umumnya disebut
sebagai "presisi"), PPV = N TP / (N TP + N FP ), tingkat positif sejati (umumnya
disebut sebagai "Sensitivitas" atau "recall"), TPR = N TP / (N TP + N FN ),
dan skor F 1 (metrik kinerja yang umum digunakan dalam pembelajaran mesin,
didefinisikan sebagai rata-rata harmonik dari PPV dan TPR), di mana N TP adalah
benar hitung positif (TP), N FP adalah jumlah false positive (FP) dan N FN adalah false
negative (FN) count untuk prediksi pada seluruh rangkaian data yang dipertimbangkan
(lihat Lampiran A untuk detail lengkap). Modelnya juga dinilai menggunakan presisi
rata-rata (AP), didefinisikan sebagai area di bawah kurva PPV-TPR berdasarkan
Riemann penjumlahan. Metrik kinerja ditentukan sebagai fungsi dari ambang batas
kepercayaan, pengobatan lokasi dengan skor kepercayaan lebih besar dari ambang
sebagai prediksi positif.
3. Hasil
Secara total, 2448 gambar (102 gambar per ahli bedah OMF, untuk 24 ahli
bedah OMF) dijelaskan dalam ini belajar. Hasil dari analisis ini (Tabel 2) menunjukkan
bahwa untuk tugas mendeteksi radiolusen menggunakan radiografi panoramik, ahli
bedah OMF memiliki PPV rata-rata 0,69 (± 0,13), menunjukkan bahwa pada rata-rata
31% kasus salah didiagnosis sebagai positif (tipe I kesalahan). TPR rata-rata dari semua
OMF ahli bedah adalah 0,51 (± 0,14), menunjukkan bahwa rata-rata 49% dari semua
radiolusen terlewatkan (tipe IIkesalahan). Kinerja ahli bedah OMF secara signifikan
lebih rendah dalam hal TPR dibandingkan dengan PPV berdasarkan uji peringkat
bertanda Wilcoxon (p = 0,003). Berdasarkan distribusi kinerja (Tabel 2), probabilitas
bahwa ahli bedah OMF memiliki PPV lebih besar dari 0,5 adalah 96 (± 4)% sedangkan
probabilitas bahwa mereka memiliki TPR lebih besar dari 0,5 hanya 50 (± 10)%, di
mana nilai-nilai dalam tanda kurung mewakili 1σ ketidakpastian statistik dalam
estimasi.
Hubungan antara pengalaman dalam mendiagnosis radiolusen periapikal dan
kinerja dapat dilihat pada Gambar 3, di mana ahli bedah OMF telah dibagi menjadi tiga
yang kira-kira berukuran sama kelompok (≤4 tahun, 4-8 tahun, dan ≥8 tahun). Kinerja
rata-rata di dalam plot menunjukkan bahwa ada tidak ada efek signifikan pada PPV atau
TPR karena pengalaman.
Halaman 7
Diagnostik 2020 , 10, 430 7 dari 21
Tabel 2. Metrik kinerja untuk setiap ahli bedah OMF, berdasarkan penilaian mereka
terhadap 102 radiografi gambar (2248 gambar dibaca total) dan respons survei.
Label kolom: A: Pengalaman bertahun-tahun menganalisis gambar radiografi
panoramik (dibagi menjadi tiga kira-kira kelompok berukuran sama); B: waktu rata-rata
yang dihabiskan per gambar (detik); C: jam kerja sebelum tugas. Ketidakpastian 1σ di
PPV dan TPR dari masing-masing dokter gigi berkisar antara 0,03-0,06.
Gambar 3. Kinerja dikelompokkan berdasarkan pengalaman bertahun-tahun yang
dilaporkan sendiri dalam mendiagnosis panorama radiografi (garis menunjukkan
median, kotak membentang kuartil pertama dan ketiga dan pagar membentang total)
jarak). Kelompok berisi masing-masing 9 (≤4 tahun), 6 (4-8 tahun), dan 9 (≥8 tahun)
ahli bedah OMF.
Halaman 8
Diagnostik 2020 , 10, 430 8 dari 21
Kinerja model (PPV sebagai fungsi TPR, juga dikenal sebagai presisi-recall
kurva) ditunjukkan pada Gambar 5, dan dibandingkan dengan kinerja benchmark dari
24 ahli bedah OMF. Kurva dan pita kesalahan standar ditentukan dengan memetakan
secara parametrik PPV dan TPR sebagai fungsi dari ambang batas kepercayaan. Secara
khusus, ketika ambang kepercayaan menghilang, PPV menghilang tetapi TPR mencapai
nilai maksimum sekitar 0,9. Di sisi lain, sebagai ambang kepercayaan mendekati
persatuan, PPV mendekati persatuan, tetapi dengan biaya TPR berkurang. Ambang
batas optimal ditentukan oleh pengguna, dan tergantung pada faktor-faktor eksternal
seperti kesehatan relative risiko dan biaya yang terkait dengan kelebihan kasus FP
versus kelebihan kasus FN. Dari catatan,
model melebihi kinerja sekitar setengah dari 24 ahli bedah OMF (yaitu, mereka yang
menunjukkan PPV dan TPR di bawah dan di sebelah kiri kurva model pada Gambar 5)
dalam hal itu untuk OMF ini ahli bedah selalu ada ambang kepercayaan di mana model
menunjukkan kinerja yang lebih baik di baik PPV dan TPR.
Korelasi antara model dan kelompok peringkat skor kepercayaan dokter bedah
OMF adalah ditunjukkan secara terpisah pada Gambar 6 untuk kasus kondisi positif
(kehadiran radiolusen periapikal) dan kasus-kasus kondisi negatif (tidak adanya
radiolusen periapikal) yang diidentifikasi oleh kohort OMF ahli bedah. Untuk kasus
kondisi positif, korelasi Spearman adalah 0,72 (p-value: <0,001), sedangkan untuk
kasus kondisi negatif, korelasi Spearman adalah 0,34 (p-value: <0,001). Yang positif
korelasi menunjukkan bahwa model skor kepercayaan cenderung meningkat secara
monoton dengan kohort
Halaman 9
Diagnostik 2020 , 10, 430 9 dari 21
skor kepercayaan diri. Menariknya, korelasi ini tampak secara signifikan lebih kuat
untuk kondisi positif kasus dibandingkan dengan kasus kondisi negatif. Korelasi yang
kuat dalam yang pertama menunjukkan bahwa keduanya model dan kohort ahli bedah
OMF menemukan jenis yang sama dari perubahan periapikal radiolusen mudah atau
sulit dideteksi. Namun, korelasi yang lebih lemah pada yang terakhir menunjukkan
lebih besar saling melengkapi antara model dan kohort untuk kasus kondisi negatif.
Gambar 5. Perbandingan 24 ahli bedah OMF dan kinerja model pada set data
uji. Kesalahan standar (Kumis), dihitung melalui analisis
jackknife. Kurva skor F 1 konstan sama dengan 0,58 yang ditunjukkan adalah
digunakan untuk membandingkan hasil kinerja pada Gambar 3 .
Gambar 6. Perbandingan peringkat skor kepercayaan untuk kasus kondisi positif (kiri)
dan negative kondisi case (kanan) yang diproduksi oleh model (sumbu berlabel Deep
Learning Model) dan kohort OMF ahli bedah (sumbu berlabel Cohort dari ahli bedah
OMF). Wilayah minat yang paling banyak dinilai (paling sedikit) kemungkinan menjadi
perubahan periapikal radiolusen memiliki peringkat tertinggi (terendah).
Halaman 10
Diagnostik 2020 , 10, 430 10 dari 21
4. Diskusi
Meskipun hasil kami menjanjikan, masih ada beberapa batasan untuk penelitian
ini. Pertama, algoritma kami dilatih tentang data yang dilabeli oleh ahli bedah OMF
berdasarkan pembacaan radiografi yang bertentangan dengan klinis pengujian. Sebagai
konsekuensinya, algoritma kami dapat mencerminkan keterbatasan dan bias yang
melekat dari OMF tersebut ahli bedah. Keterbatasan dan bias semacam itu, jika
dipelajari oleh algoritma kami, akan tercermin dalam degradasi kinerja pada set data
pengujian. Penting untuk dicatat bahwa masalah seperti itu tidak membatalkan
penelitian kami sejak set tes diberi label berdasarkan hasil tes klinis. Namun, dengan
mengatasi masalah tersebut, kinerja yang lebih baik dapat dicapai. Meskipun tergoda
untuk menganggap bahwa set data pelatihan diberi label oleh
banyak pembaca akan memperbaiki situasi, ini mungkin tidak terjadi jika keterbatasan
dan bias para pembaca itu berkorelasi. Korelasi yang kuat ditemukan antara peringkat
skor kepercayaan kami model dan yang disimpulkan dari kohort dari 24 ahli bedah
OMF yang membaca radiografi yang sama menunjukkan bahwa mungkin memang ada
kesamaan antara driver untuk kesalahan diagnosis antara model dan kohort, yang perlu
eksplorasi lebih lanjut (misalnya, dengan mempelajari kinerja model dan OMF kohort
ahli bedah pada subpopulasi, idealnya dari kumpulan data tes yang jauh lebih
besar). Pemahaman yang lebih baik tentang driver ini, apakah mereka terkait dengan
kualitas gambar, aspek inheren periapikal radiolusen perubahan (misalnya, tingkat
perkembangan) atau perbedaan pendidikan, dapat lebih baik menginformasikan
pengumpulan data proses pelatihan model. Penting untuk dicatat, bagaimanapun, bahwa
bahkan dengan klinis atau histologis label data pelatihan yang divalidasi, masalah
tersebut dapat tetap ada.
Halaman 11
Diagnostik 2020 , 10, 430 11 dari 21
Akhirnya, meskipun kami telah menguji algoritme kami pada kumpulan data
independen dengan 102 gambar label divalidasi secara klinis, tes lebih lanjut akan
diperlukan untuk menunjukkan generalisasi dari model kami untuk data dikumpulkan
dari situs lain. Perhatian di sini, sekali lagi, berpusat pada bias yang dapat dipelajari data
pelatihan yang dikumpulkan dari satu sumber (misalnya, jika praktik pencitraan berbeda
berdasarkan institusi atau jika populasi pasien berbeda). Dalam studi selanjutnya,
pelatihan yang dikumpulkan dari berbagai lokasi kemungkinan akan dilakukan
mengarah pada kekokohan algoritma yang lebih besar di seluruh situs.
Secara umum, tantangan utama untuk aplikasi ML dalam radiologi tetap tentang
bagaimana mencapai a tingkat kinerja manusia super. Dalam pekerjaan ini, mencapai
tingkat kinerja seperti itu akan dibutuhkan satu set data pelatihan berlabel yang lebih
besar, berkualitas lebih tinggi. Literatur telah menunjukkan bahwa kinerja seperti itu
mungkin dimungkinkan dengan meningkatkan ukuran dataset kami 10 hingga 100 kali
lipat dan melalui beberapa pelabelan yang sama data pelatihan yang ditetapkan oleh
annotator yang berbeda atau dengan memperoleh secara klinis, jika mungkin, bahkan
secara histologis, label yang divalidasi untuk kumpulan data pelatihan [38, 39] Namun,
strategi-strategi ini akan datang pada signifikan biaya karena sumber daya manusia-ahli
yang dibutuhkan. Penting untuk dicatat, bagaimanapun, bahwa histologis diagnosis juga
memiliki keterbatasan. Meskipun dalam hal ini PPV diharapkan menjadi 1,0 (semua
contoh kasus didiagnosis sebagai positif adalah positif), TPR mungkin akan tetap
kurang dari 1.0, karena dokter gigi / OMF ahli bedah harus membuat keputusan tentang
apakah akan melakukan diagnosa histologis atau tidak. Bukti a perubahan periapikal
radiolusen tidak harus menyebabkan ekstraksi gigi untuk mendapatkan sampel jaringan
untuk analisis histologis. Tanpa beberapa prompt untuk mengambil tes yang diperlukan
(misalnya, karena a indikasi yang terlewatkan pada radiograf atau tidak ada laporan
nyeri), lesi mungkin masih terlewatkan. Karena ini, kami melihat nilai dalam
menawarkan solusi algoritmik untuk meningkatkan kemungkinan menarik perhatian
potensi lesi dalam radiografi, mendorong dokter gigi / ahli bedah OMF untuk
melakukan tes lebih lanjut.
5. Kesimpulan
Dalam studi ini, kami telah menunjukkan bahwa model pembelajaran yang
mendalam dilatih pada set data kurasi 2902 gambar radiografi yang tidak diidentifikasi,
dapat menyamai kinerja esehatan rata-rata dari 24 ahli bedah OMF dalam tugas
mendeteksi perubahan radiolusen esehata. PPV rata-rata untuk ahli bedah OMF adalah
0,69 (± 0,13), dan TPR rata-rata adalah 0,51 (± 0,14) pada set data uji penahan 102
radiograf. Dengan perbandingan, mean PPV untuk model itu 0,67 (± 0,05) dan mean
TPR adalah 0,51 (± 0,05), sesuai dengan F 1 skor 0,58 (± 0,04). AP untuk model adalah
0,60 (± 0,14). Korelasi peringkat antara model dan skor kepercayaan kelompok untuk
kasus kondisi positif dan esehata masing-masing adalah 0,72 dan 0,34.
AI eseha menjadi eseh berharga bagi para esehatan l di bidang perawatan
esehatan. Meski lebih jauh diperlukan penelitian untuk menjawab berbagai pertanyaan
terbuka yang tersisa; pekerjaan kami memberikan harapan esehat pertama menuju
mewujudkan alat bantu berbasis ML dalam kedokteran gigi yang kompetitif dengan
OMF ahli bedah dalam mendeteksi perubahan esehatan radiolusen berdasarkan
penilaian visual radiografi. Sebagai peran AI dalam perawatan esehatan menjadi lebih
menonjol, kami optimis bahwa organisasi perawatan Kesehatan akan menyesuaikan
praktik pengumpulan data mereka agar lebih selaras dengan kebutuhan ML, yang pada
akhirnya akan menghapus jalur untuk pembelajaran online (model yang terus belajar
dan meningkatkan) serta pengembangan model data-menyatu yang menggabungkan
radiografi dengan data pasien lainnya untuk menghasilkan sangat diagnosis yang dapat
diandalkan.
Ucapan Terima Kasih: Penulis ingin mengucapkan terima kasih kepada 24 dokter gigi
yang berpartisipasi dalam penelitian ini, juga Neil Thompson, dan Eva Guinan, untuk
membaca naskah dengan cermat dan umpan balik mereka.
Halaman 13
Diagnostik 2020 , 10, 430 13 dari 21
Lampiran A.
Lampiran A.1. Bahan dan metode
Lampiran A.1.1. Model
Kami membingkai tugas sebagai masalah klasifikasi padat, di mana setiap piksel dalam
gambar itu ditentukan untuk mengandung perubahan periapikal radiolusen (positif) atau
tidak (negatif). Kami menggunakan model arsitektur berdasarkan U-Net [37] dengan
lapisan konvolusional padding yang sama, lima tingkat resolusi dan lapisan normalisasi
batch [42] diperkenalkan sebelum setiap lapisan aktivasi (Tabel A1). Penggunaan
arsitektur ini terinspirasi oleh hasil dari kompetisi inovasi terbuka yang diadakan
TopCoder.com, Wipro, Bengaluru, India. Jaringan diterima sebagai input 256 × 512
piksel yang sudah diproses gambar radiografi panoramik di (0,1) 256 × 512 , dan
menampilkan peta intensitas di (0,1) 256 × 512 , di mana piksel intensitas dekat
kesatuan menunjukkan daerah dengan kepercayaan diri tinggi untuk menjadi
positif. Preprocessing melibatkan mengubah ukuran gambar radiografi asli, yang
bervariasi dalam bentuk, ke bentuk referensi (1280 × 2560 piksel), diikuti dengan
pemotongan batas gambar (100 piksel di bagian atas dan bawah)
batas, dan 300 piksel pada batas kiri dan kanan), dan akhirnya mengubah ukuran
gambar yang dipangkas menjadi bentuk target standar 256 × 512 piksel. Pengubahan
ukuran dilakukan menggunakan interpolasi bi-linear. Intensitas piksel gambar kemudian
diskalakan ke interval (0,1).
Model dilatih pada 7/8 set data pelatihan (sisanya 1/8 digunakan untuk validasi,
misalnya, untuk memeriksa overfitting) menggunakan fungsi objektif berdasarkan
fungsi kehilangan dadu [43] dengan augmentasi data, termasuk terjemahan acak dalam
arah horisontal dan vertikal (hingga ± 20 piksel di setiap arah), flips dan rotasi
horizontal (hingga ± 15 derajat). Gambar diperbesar dengan probabilitas satu setengah
setiap kunjungan selama pelatihan. Model itu dilatih menggunakan Adam optimasi [44]
untuk 25 zaman dan dalam kumpulan 10 gambar mini. Tingkat pembelajaran awal
adalah 0,001 dan tingkat pembelajaran kemudian dikurangi menggunakan peluruhan
eksponensial dengan konstanta peluruhan 0,1 / zaman. Model hiperparameter dipilih
berdasarkan kinerja terbaik pada set data validasi. Pelatihan model dilakukan dengan
menggunakan akselerator GPU Nvidia Tesla K80.
Model ensemble kemudian dibuat dengan menggabungkan prediksi 10 model
yang terlatih, di mana masing-masing model dilatih menggunakan hiperparameter
terpilih yang sama dan periode pelatihan seperti dijelaskan sebelumnya. Setiap model
konstituen, bagaimanapun, dilatih pada 10 pilih 9 subset terpisah dari set data pelatihan,
pisahkan secara acak pada tingkat pasien. Peta intensitas ensemble akhirnya diproduksi
dengan mengambil output rata-rata yang dihasilkan oleh 10 model konstituen.
Halaman 14
Diagnostik 2020 , 10, 430 14 dari 21
Legenda: Conv2D: lapisan konvolusional dua dimensi; MaxPool: lapisan max-
pooling; UpConv2D: dua dimensi lapisan transpose-convolutional; Concat (k): saluran
gabungan dengan output dari layer k.
Halaman 15
Diagnostik 2020 , 10, 430 15 dari 21
Halaman 16
Diagnostik 2020 , 10, 430 16 dari 21
Halaman 18
Diagnostik 2020 , 10, 430 18 dari 21
Gambar A4. Contoh 4; lihat Gambar A1 untuk detailnya.
Halaman 19
Diagnostik 2020 , 10, 430 19 dari 21
Referensi
Halaman 20
Diagnostik 2020 , 10, 430 20 dari 21
9. Valizadeh, S.; Goodini, M.; Ehsani, S.; Mohseni, H.; Azimi, F.; Bakhshandeh,
H. Designing of a Computer Software for Detection of Approximal Caries in
Posterior Teeth. Iran. J. Radiol. 2015, 12, e16242. [CrossRef]
10. White, S.C.; Hollender, L.; Gratt, B.M. Comparison of Xeroradiographs and
Film for Detection of Proximal Surface Caries. J. Am. Dent. Assoc. 1984, 108,
755–759. [CrossRef]
11. Fiorellini, J.P.; Howell, T.H.; Cochran, D.; Malmquist, J.; Lilly, L.C.; Spagnoli,
D.; Toljanic, J.; Jones, A.; Nevins, M. Randomized Study Evaluating
Recombinant Human Bone Morphogenetic Protein-2 for Extraction Socket
Augmentation. J. Periodontol. 2005, 76, 605–613. [CrossRef] [PubMed]
12. Yasaka, K.; Abe, O. Deep Learning and Artificial Intelligence in Radiology:
Current Applications and Future Directions. PLoS Med. 2018, 15, e1002707.
[CrossRef] [PubMed]
14. Nevin, L.; PLoS Medicine Editors. Advancing the Beneficial Use of Machine
Learning in Health Care and Medicine: Toward a Community Understanding.
PLoS Med. 2018, 15, e1002708. [CrossRef]
15. Setio, A.A.A.; Traverso, A.; de Bel, T.; Berens, M.S.N.; van den Bogaard, C.;
Cerello, P.; Chen, H.; Dou, Q.; Fantacci, M.E.; Geurts, B.; et al. Comparison,
and Combination of Algorithms for Automatic Detection of Pulmonary Nodules
in Computed Tomography Images: The LUNA16 Challenge. Med. Image Anal.
2017, 42, 1–13. [CrossRef]
16. Cruz-Roa, A.; Gilmore, H.; Basavanhally, A.; Feldman, M.; Ganesan, S.; Shih,
N.N.C.; Tomaszewski, J.; González, F.A.; Madabhushi, A. Accurate and
Reproducible Invasive Breast Cancer Detection in Whole-Slide Images: A Deep
Learning Approach for Quantifying Tumor Extent. Sci. Rep. 2017, 7, 46450.
[CrossRef]
18. Hou, L.; Samaras, D.; Kurc, T.M.; Gao, Y.; Davis, J.E.; Saltz, J.H. Patch-Based
Convolutional Neural Network for Whole Slide Tissue Image Classification.
Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 2016, 2016,
2424–2433. [CrossRef]
19. Xu, J.; Luo, X.; Wang, G.; Gilmore, H.; Madabhushi, A. A Deep Convolutional
Neural Network for Segmenting and Classifying Epithelial and Stromal Regions
in Histopathological Images. Neurocomputing 2016, 191, 214–223. [CrossRef]
20. Esteva, A.; Kuprel, B.; Novoa, R.A.; Ko, J.; Swetter, S.M.; Blau, H.M.; Thrun,
S. Dermatologist-Level Classification of Skin Cancer with Deep Neural
Networks. Nature 2017, 542, 115–118. [CrossRef]
21. De Fauw, J.; Ledsam, J.R.; Romera-Paredes, B.; Nikolov, S.; Tomasev, N.;
Blackwell, S.; Askham, H.; Glorot, X.; O’Donoghue, B.; Visentin, D.; et al.
Clinically Applicable Deep Learning for Diagnosis and Referral in Retinal
Disease. Nat. Med. 2018, 24, 1342–1350. [CrossRef] [PubMed]
22. Kermany, D.S.; Goldbaum, M.; Cai, W.; Valentim, C.C.S.; Liang, H.; Baxter,
S.L.; McKeown, A.; Yang, G.; Wu, X.; Yan, F.; et al. Identifying Medical
Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell 2018,
172, 1122–1131. [CrossRef] [PubMed]
23. Nikolov, S.; Blackwell, S.; Mendes, R.; De Fauw, J.; Meyer, C.; Hughes, C.;
Askham, H.; Romera-Paredes, B.; Karthikesalingam, A.; Chu, C.; et al. Deep
Learning to Achieve Clinically Applicable Segmentation of Head and Neck
Anatomy for Radiotherapy. arXiv 2018, arXiv:1809.04430.
24. Wang, C.-W.; Huang, C.-T.; Lee, J.-H.; Li, C.-H.; Chang, S.-W.; Siao, M.-J.;
Lai, T.-M.; Ibragimov, B. ;Vrtovec, T.; Ronneberger, O.; et al. A Benchmark for
Comparison of Dental Radiography Analysis Algorithms. Med. Image Anal.
2016, 31, 63–76. [CrossRef]
25. Wenzel, A.; Hintze, H.; Kold, L.M.; Kold, S. Accuracy of Computer-Automated
Caries Detection in Digital Radiographs Compared with Human Observers. Eur.
J. Oral Sci. 2002, 110, 199–203.[CrossRef]
27. Murata, S.; Lee, C.; Tanikawa, C.; Date, S. Towards a Fully Automated
Diagnostic System for Orthodontic Treatment in Dentistry. In Proceedings of the
2017 IEEE 13th International Conference on e-Science (e-Science), Auckland,
New Zealand, 24–27 October 2017; pp. 1–8. [CrossRef]
28. Behere, R.; Lele, S. Reliability of Logicon Caries Detector in the Detection and
Depth Assessment of Dental Caries: An in-Vitro Study. Indian J. Dent. Res.
2011, 22, 362. [CrossRef]
Halaman 21
Diagnostik 2020 , 10, 430 21 dari 21
29. Cachovan, G.; Phark, J.-H.; Schön, G.; Pohlenz, P.; Platzer, U. Odontogenic
Infections: An 8-Year Epidemiologic Analysis in a Dental Emergency
Outpatient Care Unit. Acta Odontol. Scand. 2013, 71, 518–524. [CrossRef]
32. Chapman, M.N.; Nadgir, R.N.; Akman, A.S.; Saito, N.; Sekiya, K.; Kaneda, T.;
Sakai, O. Periapical Lucency around the Tooth: Radiologic Evaluation and
Differential Diagnosis. RadioGraphics 2013, 33, E15–E32. [CrossRef]
[PubMed]
33. Ekert, T.; Krois, J.; Meinhold, L.; Elhennawy, K.; Emara, R.; Golla, T.;
Schwendicke, F. Deep Learning for the Radiographic Detection of Apical
Lesions. J. Endod. 2019, 45, 917–922.e5. [CrossRef] [PubMed]
34. Nardi, C.; Calistri, L.; Pradella, S.; Desideri, I.; Lorini, C.; Colagrande, S.
Accuracy of Orthopantomography for Apical Periodontitis without Endodontic
Treatment. J. Endod. 2017, 43, 1640–1646. [CrossRef] [PubMed]
35. Nardi, C.; Calistri, L.; Grazzini, G.; Desideri, I.; Lorini, C.; Occhipinti, M.;
Mungai, F.; Colagrande, S. Is Panoramic Radiography an Accurate Imaging
Technique for the Detection of Endodontically Treated Asymptomatic Apical
Periodontitis? J. Endod. 2018, 44, 1500–1508. [CrossRef]
36. Choi, B.R.; Choi, D.H.; Huh, K.H.; Yi, W.J.; Heo, M.S.; Choi, S.C.; Bae, K.H.;
Lee, S.S. Clinical Image Quality Evaluation for Panoramic Radiography in
Korean Dental Clinics. Imaging Sci. Dent. 2012, 42, 183–190. [CrossRef]
37. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional Networks for
Biomedical Image Segmentation. arXiv 2015, arXiv:1505.04597.
38. Langlotz, C.P.; Allen, B.; Erickson, B.J.; Kalpathy-Cramer, J.; Bigelow, K.;
Cook, T.S.; Flanders, A.E.; Lungren, M.P.; Mendelson, D.S.; Rudie, J.D.; et al.
A Roadmap for Foundational Research on Artificial Intelligence in Medical
Imaging: From the 2018 NIH/RSNA/ACR/The Academy Workshop. Radiology
2019, 291, 781–791. [CrossRef]
39. Haenssle, H.A.; Fink, C.; Schneiderbauer, R.; Toberer, F.; Buhl, T.; Blum, A.;
Kalloo, A.; Hassen, A.B.H.; Thomas, L.; Enk, A.; et al. Reader study level-I and
level-II Groups. Man against Machine: Diagnostic Performance of a Deep
Learning Convolutional Neural Network for Dermoscopic Melanoma
Recognition in Comparison to 58 Dermatologists. Ann. Oncol. Off. J. Eur. Soc.
Med. Oncol. 2018, 29, 1836–1842. [CrossRef]
40. Kanagasingam, S.; Hussaini, H.M.; Soo, I.; Baharin, S.; Ashar, A.; Patel, S.
Accuracy of Single and Parallax Film and Digital Periapical Radiographs in
Diagnosing Apical Periodontitis—A Cadaver Study. Int. Endod. J. 2017, 50,
427–436. [CrossRef]
41. Leonardi Dutra, K.; Haas, L.; Porporatti, A.L.; Flores-Mir, C.; Nascimento
Santos, J.; Mezzomo, L.A.; Corrêa, M.; De Luca Canto, G. Diagnostic Accuracy
of Cone-Beam Computed Tomography and Conventional Radiography on
Apical Periodontitis: A Systematic Review and Meta-Analysis. J. Endod. 2016,
42, 356–364. [CrossRef]
43. Milletari, F.; Navab, N.; Ahmadi, S.A. V-Net: Fully Convolutional Neural
Networks for Volumetric Medical Image Segmentation. arXiv 2016,
arXiv:1606.04797.
44. Kingma, D.P.; Adam, B.A. A Method for Stochastic Optimization. arXiv 2014,
arXiv:1412.6980.