Применение радиомического анализа и нейросетевых алгоритмов в дифференциальной диагностике одонтогенных радикулярных кист и апикальных гранулём
Научно-практический журнал Институт Стоматологии №3 (108), сентябрь 2025
стр. 51-53
Стоимость:
50 руб.
(в формате 
PDF)
PDF)| В корзину |
Ссылка на elibrary.ru
Аннотация
В исследовании показано, что использование моделей машинного обучения на основе радиомических признаков КЛКТ при гистологически подтверждённой разметке позволяет надёжно дифференцировать одонтогенную радикулярную кисту (ОРК) и апикальную гранулёму (АГ). Из ROI извлекались 107 признаков (форма, статистика, текстуры), обучались модели (в т. ч. нейросетевые) с внутренней валидацией и проверкой на отложенной выборке из 56 очагов. На тесте точность составила 85,7-92%, на валидации ROC AUC достигала 0,92-0,93, AP ≈ 0,897-0,898. Полученные результаты подтверждают применимость радиомики и моделей машинного обучения как вспомогательного инструмента для повышения объективности диагностики и выбора тактики лечения.
Аннотация (англ)
This study shows that machine-learning models based on CBCT radiomic features with histology-confirmed labels can reliably differentiate odontogenic radicular cysts (ORC) from apical granulomas (AG). We extracted 107 features per ROI (shape, first-order, texture) models (including neural networks) underwent internal validation and were evaluated on a 56-case hold-out test set. Test accuracy was 85.7-92%. On validation, ROC AUC reached 0.92-0.93 and AP ≈ 0.897-0.898. The results support radiomics-based ML as an auxiliary tool to increase diagnostic objectivity and inform treatment planning.
Ключевые Слова
одонтогенная радикулярная киста, апикальная гранулёма, искусственный интеллект, радиомика, машинное обучение, нейросетевые модели, дифференциальная диагностика.
Ключевые Слова (англ)
odontogenic radicular cyst, apical granuloma, artificial intelligence, radiomics, machine learning, neural network models, differential diagnosis.
Список литературы
1. Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Арзамасов К.М., Четвериков С.Ф., Румянцев Д.А., Зеленова М.А. Методология тестирования и мониторинга программного обеспечения на основе технологий искусственного интеллекта для медицинской диагностики // Digital Diagnostics. - 2023. - Т. 4, № 3. - С. 252-267. DOI: 10.17816/DD321971. [Vasilyev Yu.A., Vladzymyrskyy A.V., Omelyanskaya O.V., Arzamasov K.M., Chetverikov S.F., Rumyantsev D.A., Zelenova M.A. Methodology for testing and monitoring software based on artificial intelligence technologies for medical diagnostics // Digital Diagnostics. - 2023. - Vol. 4, No. 3. - P. 252-267.]
2. Aerts H.J.W.L., Rios Velazquez E., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S., Bussink J., Monshouwer R., Haibe-Kains B., Rietveld D., Hoebers F., Rietbergen M.M., Leemans C.R., Dekker A., Quackenbush J., Gillies R.J., Lambin P.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nature Communications. - 2014. - Vol. 5. - Art. 4006. DOI: 10.1038/ncomms5006.
3. Ayana G., Dese K., Abagaro A.M. et al. Multistage transfer learning for medical images
// Artificial Intelligence Review. - 2024. - Vol. 57, article number 232. DOI: 10.1007/s10462-024-10855-7.
4. Gupta P., Malhotra P., Narwariya J., Vig L., Shroff G. Transfer Learning for Clinical Time Series Analysis Using Deep Neural Networks // Journal of Healthcare Informatics Research. - 2020. - Vol. 4. - P. 112-137. DOI: 10.1007/s41666-019-00062-3.
5. Pociask E., Nurzynska K., Obuchowicz R., Bałon P., Uryga D., Strzelecki M., Izworski A., Piórkowski A. Differential Diagnosis of Cysts and Granulomas Supported by Texture Analysis of Intraoral Radiographs // Sensors. - 2021. - Vol. 21. - Art. 7481. DOI: 10.3390/s21227481.
6. Ver Berne J., Baseri Saadi S., Politis C., Jacobs R. A deep learning approach for radiological detection and classification of radicular cysts and periapical granulomas // Journal of Dentistry. - 2023. - Vol. 135. - Art. 104581. DOI: 10.1016/j.jdent.2023.104581.
7. Yang M., Fengzhou L., Wenfeng Q. Integrating AutoGluon for Real-Time Monitoring and Classification of Dental Equipment Performance:
A Review // IEEE Access. - 2024. - Vol. 13. - P. 2844-2855. DOI:10.1109/ACCESS.2024.35235192021.
8. Yomtako S., Watanabe H., Kuribayashi A., et al. Differentiation of radicular cysts and radicular granulomas via texture analysis of multi-slice computed tomography images // Dentomaxillofacial Radiology. - 2024. - Vol. 53, No. 5. - P. 281-288. DOI: 10.1093/dmfr/twae011.
REFERENCES:
1. Vasilyev Yu.A., Vladzymyrskyy A.V., Omelyanskaya O.V., Arzamasov K.M., Chetverikov S.F., Rumyantsev D.A., Zelenova M.A. Methodology for testing and monitoring software based on artificial intelligence technologies for medical diagnostics // Digital Diagnostics. - 2023. - Vol. 4, No. 3. - P. 252-267.
2. Aerts H.J.W.L., Rios Velazquez E., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S., Bussink J., Monshouwer R., Haibe-Kains B., Rietveld D., Hoebers F., Rietbergen M.M., Leemans C.R., Dekker A., Quackenbush J., Gillies R.J., Lambin P. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nature Communications. - 2014. - Vol. 5. - Art. 4006. DOI: 10.1038/ncomms5006.
3. Ayana G., Dese K., Abagaro A.M. et al. Multistage transfer learning for medical images // Artificial Intelligence Review. - 2024. - Vol. 57, article number 232. DOI: 10.1007/s10462-024-10855-7.
4. Gupta P., Malhotra P., Narwariya J., Vig L., Shroff G. Transfer Learning for Clinical Time Series Analysis Using Deep Neural Networks // Journal of Healthcare Informatics Research. - 2020. - Vol. 4. - P. 112-137. DOI: 10.1007/s41666-019-00062-3.
5. Pociask E., Nurzynska K., Obuchowicz R., Bałon P., Uryga D., Strzelecki M., Izworski A., Piórkowski A. Differential Diagnosis of Cysts and Granulomas Supported by Texture Analysis of Intraoral Radiographs // Sensors. - 2021. - Vol. 21. - Art. 7481. DOI: 10.3390/s21227481.
6. Ver Berne J., Baseri Saadi S., Politis C., Jacobs R. A deep learning approach for radiological detection and classification of radicular cysts and periapical granulomas // Journal of Dentistry. - 2023. - Vol. 135. - Art. 104581. DOI: 10.1016/j.jdent.2023.104581.
7. Yang M., Fengzhou L., Wenfeng Q. Integrating AutoGluon for Real-Time Monitoring and Classification of Dental Equipment Performance:
A Review // IEEE Access. - 2024. - Vol. 13. - P. 2844-2855. DOI:10.1109/ACCESS.2024.35235192021.
8. Yomtako S., Watanabe H., Kuribayashi A., et al. Differentiation of radicular cysts and radicular granulomas via texture analysis of multi-slice computed tomography images // Dentomaxillofacial Radiology. - 2024. - Vol. 53, No. 5. - P. 281-288. DOI: 10.1093/dmfr/twae011.
2. Aerts H.J.W.L., Rios Velazquez E., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S., Bussink J., Monshouwer R., Haibe-Kains B., Rietveld D., Hoebers F., Rietbergen M.M., Leemans C.R., Dekker A., Quackenbush J., Gillies R.J., Lambin P.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nature Communications. - 2014. - Vol. 5. - Art. 4006. DOI: 10.1038/ncomms5006.
3. Ayana G., Dese K., Abagaro A.M. et al. Multistage transfer learning for medical images
// Artificial Intelligence Review. - 2024. - Vol. 57, article number 232. DOI: 10.1007/s10462-024-10855-7.
4. Gupta P., Malhotra P., Narwariya J., Vig L., Shroff G. Transfer Learning for Clinical Time Series Analysis Using Deep Neural Networks // Journal of Healthcare Informatics Research. - 2020. - Vol. 4. - P. 112-137. DOI: 10.1007/s41666-019-00062-3.
5. Pociask E., Nurzynska K., Obuchowicz R., Bałon P., Uryga D., Strzelecki M., Izworski A., Piórkowski A. Differential Diagnosis of Cysts and Granulomas Supported by Texture Analysis of Intraoral Radiographs // Sensors. - 2021. - Vol. 21. - Art. 7481. DOI: 10.3390/s21227481.
6. Ver Berne J., Baseri Saadi S., Politis C., Jacobs R. A deep learning approach for radiological detection and classification of radicular cysts and periapical granulomas // Journal of Dentistry. - 2023. - Vol. 135. - Art. 104581. DOI: 10.1016/j.jdent.2023.104581.
7. Yang M., Fengzhou L., Wenfeng Q. Integrating AutoGluon for Real-Time Monitoring and Classification of Dental Equipment Performance:
A Review // IEEE Access. - 2024. - Vol. 13. - P. 2844-2855. DOI:10.1109/ACCESS.2024.35235192021.
8. Yomtako S., Watanabe H., Kuribayashi A., et al. Differentiation of radicular cysts and radicular granulomas via texture analysis of multi-slice computed tomography images // Dentomaxillofacial Radiology. - 2024. - Vol. 53, No. 5. - P. 281-288. DOI: 10.1093/dmfr/twae011.
REFERENCES:
1. Vasilyev Yu.A., Vladzymyrskyy A.V., Omelyanskaya O.V., Arzamasov K.M., Chetverikov S.F., Rumyantsev D.A., Zelenova M.A. Methodology for testing and monitoring software based on artificial intelligence technologies for medical diagnostics // Digital Diagnostics. - 2023. - Vol. 4, No. 3. - P. 252-267.
2. Aerts H.J.W.L., Rios Velazquez E., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S., Bussink J., Monshouwer R., Haibe-Kains B., Rietveld D., Hoebers F., Rietbergen M.M., Leemans C.R., Dekker A., Quackenbush J., Gillies R.J., Lambin P. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach // Nature Communications. - 2014. - Vol. 5. - Art. 4006. DOI: 10.1038/ncomms5006.
3. Ayana G., Dese K., Abagaro A.M. et al. Multistage transfer learning for medical images // Artificial Intelligence Review. - 2024. - Vol. 57, article number 232. DOI: 10.1007/s10462-024-10855-7.
4. Gupta P., Malhotra P., Narwariya J., Vig L., Shroff G. Transfer Learning for Clinical Time Series Analysis Using Deep Neural Networks // Journal of Healthcare Informatics Research. - 2020. - Vol. 4. - P. 112-137. DOI: 10.1007/s41666-019-00062-3.
5. Pociask E., Nurzynska K., Obuchowicz R., Bałon P., Uryga D., Strzelecki M., Izworski A., Piórkowski A. Differential Diagnosis of Cysts and Granulomas Supported by Texture Analysis of Intraoral Radiographs // Sensors. - 2021. - Vol. 21. - Art. 7481. DOI: 10.3390/s21227481.
6. Ver Berne J., Baseri Saadi S., Politis C., Jacobs R. A deep learning approach for radiological detection and classification of radicular cysts and periapical granulomas // Journal of Dentistry. - 2023. - Vol. 135. - Art. 104581. DOI: 10.1016/j.jdent.2023.104581.
7. Yang M., Fengzhou L., Wenfeng Q. Integrating AutoGluon for Real-Time Monitoring and Classification of Dental Equipment Performance:
A Review // IEEE Access. - 2024. - Vol. 13. - P. 2844-2855. DOI:10.1109/ACCESS.2024.35235192021.
8. Yomtako S., Watanabe H., Kuribayashi A., et al. Differentiation of radicular cysts and radicular granulomas via texture analysis of multi-slice computed tomography images // Dentomaxillofacial Radiology. - 2024. - Vol. 53, No. 5. - P. 281-288. DOI: 10.1093/dmfr/twae011.
Другие статьи из раздела «Научные исследования в стоматологии»
- Комментарии
Загрузка комментариев...
|
Поделиться:
|
