Authors: V. Nagyová 1,2; D. Blaňár 3; J. Kybic 3; A. Tichý 1,2,4 Authors‘ workplace: 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 Published in: Česká stomatologie / Praktické zubní lékařství, ročník 125, 2025, 3, s. 76 Category:
Úvod a cíl: Osteonekróza čelistí je závažnou komplikací antiresorpční terapie a radioterapie, která má často podstatný vliv na kvalitu života pacientů. Cílem této studie bylo vytvořit klasifikační model založený na strojovém učení pro odlišení pacientů s osteonekrózou čelistí od zdravých kontrol.
Metodika: Se souhlasem etické komise (č.j. 111/22 S-IV) byly exportovány ortopantomogramy pacientů s osteonekrózou čelistí z databáze Stomatologické kliniky VFN v letech 2010–2024 a odpovídající kontrolní skupina. Pro trénink a hodnocení klasifikačních modelů bylo použito 888 snímků s primární/sekundární osteonekrózou, které byly rozděleny v poměru 70–10–20 na tréninkový, validační a testovací set. Na základě klinické dokumentace byla na snímcích označena ložiska osteonekrózy a následně byly vytvořeny jejich výřezy (384 × 384 px) s osteonekrózou a bez ní. Použité modely (ResNet18, ResNet34, MobileNetV2, EfficientNet-B0) byly hodnoceny na úrovni výřezů, lézí a snímků pomocí senzitivity, specificity, přesnosti, pozitivní prediktivní hodnoty a F1 skóre. Hodnocení snímků bez výřezů simulujících klinickou situaci bylo provedeno metodou sliding window. Aktivační mapy byly vytvořeny metodou vysvětlitelné umělé inteligence Grad-CAM.
Výsledky: Nejlepších výsledků dosáhl model EfficientNet-B0, který na úrovni výřezů dosáhl přesnosti 92,2 %, zatímco přesnost modelů na úrovni lézí a snímků byla mírně nižší. Při analýze snímků bez výřezů byly výsledky horší, maximální přesnost 76,7 % byla dosažena při hodnotě spolehlivosti modelu 0,9. Metoda Grad-CAM ukázala, že se model zaměřoval na klinicky relevantní oblasti, ale měl obtíže odlišit projasnění jiného původu.
Závěr: Strojové učení má potenciál pomoci v diagnostice osteonekrózy čelistí, ale pro klinickou aplikaci je nutné provést externí validaci modelu a zohlednit potřebu odlišení jiných kostních patologií.
Don‘t have an account? Create new account
Enter the email address that you registered with. We will send you instructions on how to set a new password.
