Thanh bên bài viết

PDF
Ngày xuất bản: 02/08/2021
Số lượt xem tóm tắt: 224
Số lượt xem PDF: 166
DOI: https://doi.org/10.51298/vmj.v503i1.725
Số xuất bản
Tập 503 Số 1 (2021)
Chuyên mục
Các bài báo
Trích dẫn bài báo
Trương Như Ngọc, V. ., & Thị Thu Hà, P. . (2021). NHẬN XÉT GIÁ TRỊ HỖ TRỢ CHẨN ĐOÁN BỆNH RĂNG KHÔN MỌC LỆCH CỦA HỌC MÁY. Tạp Chí Y học Việt Nam, 503(1). https://doi.org/10.51298/vmj.v503i1.725

NHẬN XÉT GIÁ TRỊ HỖ TRỢ CHẨN ĐOÁN BỆNH RĂNG KHÔN MỌC LỆCH CỦA HỌC MÁY

Trương Như Ngọc Võ 1,, Thị Thu Hà Phùng 2
1 Viện Đào tạo Răng Hàm Mặt-Trường Đại Học Y Hà Nội
2 Bệnh viện Việt Nam Cuba Hà Nội

Nội dung chính của bài viết

Tóm tắt

Mục tiêu nghiên cứu: Nghiên cứu được thực hiện trên 100 phim XQ của bệnh nhân có răng khôn mọc lệch để xác định khả năng hỗ trợ chẩn đoán của phương pháp học máy. Đối tượng và phương pháp nghiên cứu: Phần mềm học máy được xây dựng trên tập dữ liệu có 504 phim XQ Panorama, nghiên cứu thử nghiệm được thiết kế theo phương pháp thử nghiệm lâm sàng để xác định độ nhạy và độ đặc hiệu của phần mềm học máy. Kết quả: Trong tổng số 187 răng khôn hàm dưới, theo bác sỹ chẩn đoán 63 răng mọc thẳng, chiếm 33,7%, 124 răng mọc lệch, chiếm 66,3%. Theo phân loại, loại 1 có 42 răng (22,5%), loại 2 có 81 răng (43,3%) và loại 4 có 1 răng (0,5%). Khi sử dụng phần mềm để chẩn đoán: máy chẩn đoán được 187 răng (100%). Máy chẩn đoán giống bác sỹ ở 149 răng (79,68%). Kết luận: Khi sử dụng học máy để hỗ trợ chẩn đoán bệnh lý răng khôn mọc lệch: độ nhạy, độ đặc hiệu tương ứng lần lượt là 98,5%; 86% khi chẩn đoán có hay không có bệnh lý.

Chi tiết bài viết

Từ khóa

chẩn đoán, răng khôn, học máy

Tài liệu tham khảo

1. Fernandez-Millan, R., Medina-Merodio, J. A., Plata, R. B., Martinez-Herraiz, J. J., & Gutierrez-Martinez, J. M. (2015). A laboratory test expert system for clinical diagnosis support in primary health care. Applied Sciences, 5(3), 222-240.
2. Oliveira, J., & Proença, H. (2011), Caries detection in panoramic dental X-ray images, Computational Vision and Medical Image Processing,Springer Netherlands, 175-190.
3. Duong DL, Kabir MH, Kuo RF. Automated caries detection with smartphone color photography using machine learning. Health Informatics Journal. 2021;27(2):14604582211007530.
4. Lee JH, Kim DH, Jeong SN. Diagnosis of cystic lesions using panoramic and cone beam computed tomographic images based on deep learning neural network. Oral Diseases. 2020. 26(1):152-158.
5. Berdouses ED, Koutsouri GD, Tripoliti EE, et al. A computer-aided automated methodology for the detection and classification of occlusal caries from photographic color images. 2015;62:119-135.
6. Srivastava MM, Kumar P, Pradhan L, Varadarajan SJapa. Detection of tooth caries in bitewing radiographs using deep learning. 2017.
7. Ngan, T. T., Tuan, T. M., Minh, N. H., & Dey, N. (2016). Decision Making Based on Fuzzy Aggregation Operators for Medical Diagnosis from Dental X-ray images. Journal of medical systems, 40(12), 280, 1-7
8. Girshick R, Donahue J, Darrell T, Malik JJItopa, intelligence m. Region-based convolutional networks for accurate object detection and segmentation. 2016;38(1):142-158.
9. Lee H, Park M, Kim J. Cephalometric landmark detection in dental x-ray images using convolutional neural networks. Paper presented at: Medical Imaging 2017: Computer-Aided Diagnosis2017.