TESTOVÁNÍ AI NÁSTROJE PRO DETEKCI ZUBNÍHO KAZU NA BITEWINGU VE VÝUCE

Stáhnout PDF

Autoři: V. Nagyová ¹; ²; D. Blaňár ³; J. Kybic ³; A. Tichý ^1,2,4
Působiště autorů: Stomatologická klinika, 1. lékařská fakulta, Univerzita Karlova, Praha ¹; Stomatologická klinika, Všeobecná fakultní nemocnice v Praze ²; Katedra kybernetiky, Fakulta elektrotechnická, České vysoké učení technické, Praha ³; Klinika záchovné stomatologie a parodontologie, LMU Klinikum, Mnichov, Německo ⁴
Vyšlo v časopise: Česká stomatologie / Praktické zubní lékařství, ročník 125, 2025, 3, s. 73
Kategorie: Abstrakty

Souhrn

Úvod a cíl: Vzhledem k rostoucímu významu a popularitě umělé inteligence (AI) jsme navázali na předchozí projekt, jehož výstupem byl vývoj AI aplikace k detekci zubního kazu na snímcích typu bitewing (BW), a v této studii jsme hodnotili její efektivitu v učení studentů rozpoznat kazy v porovnání s jinými metodami výuky. Metodika: Do studie bylo zařazeno 52 studentů. Po označení kazů na 50 úvodních snímcích byli studenti rozděleni do tří skupin, z nichž každá absolvovala jiný typ tréninku: skupina A obdržela předem nahranou přednášku vysvětlující principy detekce kazu, skupina B měla k dispozici dataset s označenými kazy a skupina C měla přístup k AI aplikaci. Po tréninku studenti označovali kazy na jiné sadě 50 snímků. Anotace studentů získané před tréninkem a po něm byly porovnány s referenčními standardy vytvořenými zkušenými zubními lékaři. Při vyhodnocení výsledků byla kromě typu absolvovaného tréninku rovněž zohledněna fáze studia jednotlivých studentů.

Výsledky: Všechny modality tréninku vedly ke zvýšení senzitivity detekce kazu, byť zlepšení bylo statisticky signifikantní pouze pro skupiny B a C. Skupina A vykazovala nejvyšší hodnoty již před tréninkem a následné zlepšení po tréninku bylo signifikantně menší než ve skupině B. Chybovost se statisticky významně snížila ve skupinách A a C, nejvíce ve skupině C. Ta však vykazovala nejvyšší úvodní chybovost i největší variabilitu v počtu chyb po tréninku. Ve všech skupinách se po tréninku signifikantně více překrývaly anotace studentů s anotacemi expertů. Studenti bez klinických zkušeností dosahovali nejhorších výchozích hodnot, ale po tréninku se významně zlepšili ve všech metrikách, byť efekt tréninku byl více variabilní než u studentů s klinickými zkušenostmi. Ve vyšších ročnících se chybovost po tréninku přiblížila zubním lékařům s méně než pětiletou praxí.

Závěr: AI aplikace pro detekci zubního kazu by mohla být využívána ve výuce zejména u studentů nižších ročníků, kteří mají omezené klinické zkušenosti.