Thanh bên bài viết
Số lượt xem pdf: 41
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO PHÁT HIỆN TỔN THƯƠNG SÂU RĂNG BẰNG BỘ MÃ NGUỒN MỞ TEACHABLE MACHINE
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Mô tả kết quả ứng dụng công cụ mã nguồn mở Teachable Machine đào tạo máy học để phát hiện tổn thương sâu răng trên ảnh chụp trong miệng. Phương pháp nghiên cứu: mô tả cắt ngang, thực hiện trên 988 ảnh kỹ thuật số, trong đó có 868 ảnh có tổn thương sâu răng và 120 ảnh răng bình thường. Kết quả: Trong tổng số 868 ảnh có tổn thương sâu răng sau khi nhận dạng cho kết quả nhận dạng đúng 849 ảnh (97,8%), và 19 ảnh chưa nhận dạng được tổn thương sâu răng (2,2%). Trong tổng số 988 ảnh có tổng hợp gồm những ảnh có và không có tổn thương sâu răng, cho kết quả nhận dạng đúng 849 ảnh (85,9%), và 139 ảnh (14,1%) không sâu răng. Kết luận: sử dụng công cụ mã nguồn mở Teachable Machine nhận dạng ảnh có tổn thương sâu răng cho kết quả ban đầu đáng tin cậy với tỷ lệ nhận dạng đúng khá cao chiếm tỷ lệ 97,8% (trên cùng 1 hệ dữ liệu chỉ có tổn thương sâu răng). Đối với bộ ảnh hổn hợp (sâu răng và không sâu răng) tỷ lệ nhận dạng đúng ảnh có sâu răng chỉ chiếm 85,9%, sự khác biệt là do có sự xuất hiện của những ảnh có sâu răng sớm vì màu sắc tổn thương khá tương quan với màu men răng bình thường, cần có thêm nhiều dữ liệu về dạng tổn thương này để có thể phân loại và nhận dạng chính xác hơn.
Chi tiết bài viết
Từ khóa
trí tuệ nhân tạo; học máy; sâu răng; teachable machine.
Tài liệu tham khảo
2. Chamunyonga, C., et al., The impact of artificial intelligence and machine learning in radiation therapy: considerations for future curriculum enhancement. Journal of Medical Imaging and Radiation Sciences, 2020. 51(2): p. 214-220.
3. Abdalla-Aslan, R., et al., An artificial intelligence system using machine-learning for automatic detection and classification of dental restorations in panoramic radiography. Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, 2020. 130(5): p. 593-602.
4. Srivastava, M.M., et al., Detection of tooth caries in bitewing radiographs using deep learning. arXiv preprint arXiv:1711.07312, 2017.
5. Berdouses, E.D., et al., A computer-aided automated methodology for the detection and classification of occlusal caries from photographic color images. Computers in biology and medicine, 2015. 62: p. 119-135.
6. Ngoc, V.T.N., et al., The combination of adaptive convolutional neural network and bag of visual words in automatic diagnosis of third molar complications on dental x-ray images. Diagnostics, 2020. 10(4): p. 209.
7. Machine, T., Train a computer to recognize your own images, sounds, and poses. 2023.
8. Pan, H., et al., A new image recognition and classification method combining transfer learning algorithm and mobilenet model for welding defects. Ieee Access, 2020. 8: p. 119951-119960.
9. Hyunja Jeong. Feasibility Study of Google’s Teachable Machine in Diagnosis of Tooth-Marked Tongue. J Dent Hyg Sci 2020; 20:206-12. Published online December 31, 2020; https://doi.org/10.17135/jdhs.2020.20.4.206. © 2020 Korean Society of Dental Hygiene Science.
10. Trần Sinh Biên và cộng sự, Ứng dụng teachable machine trong nhận diện khuôn mặt theo thời gian thực, Journal of science & technology, p.51, Vol. 59 - No. 1 (Feb 2023)