リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「矯正歯科治療における自動診断システムの構築に関する研究」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

矯正歯科治療における自動診断システムの構築に関する研究

清水, 優仁 大阪大学 DOI:10.18910/82172

2021.03.24

概要

【緒言】
矯正歯科臨床における診断及び治療計画の立案とは,所見に基づき最適な治療結果をより低いリスクで得るために歯科医師がとるべき行動の全体を予測することである.歯科医師が,適切な診断とそれに基づく最適な治療計画立案を行うためには,長年の経験と豊富な知識が必要であり,経験が浅い歯科医師にとっては,問題の見落とし,論理の誤りという問題が存在した.専門医の長年の経験を実装した自動診断システムの構築が可能となれば,根拠に基づく医療を患者に提供する上で大きな意義を有する.しかしながら,矯正歯科分野において診断および治療計画の立案を自動で行うシステムはいまだ実用化には至っていない.そこで,本研究では矯正歯科治療における診断を自動で行う人ェ知能(以下AI)システムを開発することを目的とし,実験1では患者の顔画像より顔画像所見文を_動で作成するAIシステムを構築し,さらに実験2では治療計画書の患者の病状を表現する所見文より優先順位の高い問題リストを自動で抽出するAIシステムを構築し,実験3では治療計画書の優先順位の高い問題リストより治療計画を自動で作成するAIシステムを構築した.実験4では実験2および実験3で開発したシステムを専門医と比較し,各システムが臨床応用可能な性能を有するか評価した.

【材料並びに方法】
実験1
資料として2000年2月から2017年9月の間に大阪大学歯学部附属病院矯正科(当科)を初診で受診した1000人［女性= 60.3%,年齢= 18歳9か月(5歳3か月〜68歳10か月),自費不正咬合(39.5%),唇顎口蓋裂(20.5%),顎変形症(25.2%)］の患者の正面及び右側面の顔画像を用いた.AIシステムの学習用・評価用のデータを作成するために,13年の矯正歯科臨床経験を有する女性歯科医師Aに対し,パーソナルコンピュータに側貌及び正面画像を表示し,治療計画立案時に注目する関心項目及び選択した関心項目の評価を行わせた.顔画像とそれに対応する評価の1000組のうち無作為に選択された100組を評価用データセットとして,900組を学習用データセットとして用い,顔画像を入力とし顔の評価を出力とするシステムを構築した.また同システムの精度,感度,F値を求め,構築したシステムを評価した.

実験2
実験1で用いた患者について,電子データとして収集が可能であった治療計画書(平均4476文字)967症例分を資料として用いた.治療計画書は当科所属の歯科医師が作成し,複数の指導医が確認したものとした.治療計画書に含まれる問題の優先順位リストを,423種類の病状に整理しマルチラベル分類問題として治療計画書の自動要約問題を定式化した.治療計画書より患者の病態を表現する所見文より,MeCabを用いて特徴量を抽出した.症例のうち無作為で選 択した800症例分を学習用データセット,67症例分をパラメータの調整用データセットとしてサポートベクターマシンを用いて学習を行い,システムを構築した.システム構築に用いなかった100症例分のデータセットを評価用データセットとし,システムの精度,感度,F値を求めた.

実験3
実験2と同一の資料を用いた.治療計画書より患者の病態を表現する所見文及び治療方針を抽出し,診断内容と治療方針を整理しそれぞれ423種類の病状,330種類の治療方針からなるマルチラベル分類問題として診断内容から治療方針への自動翻訳問題を定式化した.実験2と同じデータセットにて,自己注意ニューラルネットワークによる学習を行い,システムを構築し,さらにシステムの精度,感度,F値を求めた.

実験4
資料として実験2及び実験3で用いた評価用データセットより無作為に選択した40症例(女性= 87.5%,平均年齢=17歳3か月)のデータセットに加え,対応する患者の口腔内画像,顔画像,側面位頭部エックス線規格画像,正面位頭部エックス線規格画像,パノラマエックス線画像を用いた.システムの人手評価を,以下の方法で行った.すなわち, まず,実験2及び実験3で構築したシステムに,問題リスト及び治療計画を作成させた.次に,10年以上の矯正歯科臨床経験を有する4人の専門医B · C · D · Eに,システムに入力として与えた所見文と同一の文を閲覧させ,問題リスト及び治療方針を作成させた.2週間後に専門医B · C · D · E及びシステムが作成した問題リスト及び治療計画に対し,専門医C-Dが,「理想的一提示された症例に対して可能な限り最良である」を4点,「良い一必ずしも最良ではないものの、審美的および機能的に利益をもたらす可能性が非常に高い」を3点,「許容できる一合理的に見て患者に益がある可能性が高く、審美的もしくは機能的に害を及ぼすリスクがほとんどない」を2点,「容認できない一益がほとんどなく、場合によっては審美的もしくは機能的に害を及ぼす可能性がある」を1点として評価した.評価時には,専門医 C - Dが,画像と患者の病態を表す所見文を閲覧できるものとし,評価対象の問題リスト及び治療計画については,作 成者が不明な状態で評価を行った.表1の通り5群に分け,各群の平均得点を求めた.

【結果】
実験1
患者の顔画像より顔画像所見文を自動で作成するA Iシステムを構築した.構築したシステムについてサンプル全体の正答率は95%,精度は36%,感度は39%, F値は37%であった.

実験2
治療計画書の患者の病状を表現する所見文より優先順位の高い問題リストを自動で抽出するA Iシステムを構築した.システムの正答率は97%,精度は65%,感度は55%, F値は59%であった.

実験3
治療計画書の優先順位の高い問題リストより治療計画を自動で作成するA Iシステムを構築した.システムの正答率は91%,精度は48%,感度は48%,F値は46%であった.

実験4
専門医B · C · D · E及び開発したシステムの平均得点をそれぞれ表1,表2に示す.

【結論】
本実験において,患者の顔画像所見文を,動で作成するAIシステムを構築し,高い精度を有することを確認した.さらに,治療計画書の所見文より問題リストを自動で抽出するAIシステム,及び問題リストより治療計画を,動で作成するAIシステムを開発し,人手評価を行ったところ,前者は専門医と同等の性能を有し,後者はII期矯正治療単独症例群,I期矯正治療単独症例群,並びにI期唇顎口蓋裂症例群において,専門医と同等の性能があることを確認した.

論文の公開元へ

この論文で使われている画像

関連論文

関連論文をもっと見る

参考文献

Ackerman MB, Rinchuse DJ, Rinchuse DJ. ABO Certification in the Age of Evidence and Enhancement. Am J Orthod Dentofac Orthop. 2006;130(2):133–40.

Baltrušaitis T, Ahuja C, Morency LP. Multimodal Machine Learning: A Survey and Taxonomy. IEEE Trans Pattern Anal Mach Intell. 2019;41(2):423–43.

Choi H, Jung SK, Baek SH, Lim WH, Ahn SJ, Yang IH, et al. Artificial Intelligent Model with Neural Network Machine Learning for the Diagnosis of Orthognathic Surgery. J Craniofac Surg. 2019;30(7):1986–9.

Feigenbaum EA. Knowledge Engineering for the 1980s. Ann N Y Acad Sci. 1984;426(1):91–107.

Glorot X, Bengio Y. Understanding the Difficulty of Training Deep Feedforward Neural Networks. JMLR Workshop Conf Proc. 2010:249–56.

Gurovich Y, Hanani Y, Bar O, Nadav G, Fleischer N, Gelbman D, et al. Identifying Facial Phenotypes of Genetic Disorders Using Deep Learning. Nat Med. 2019;25(1):60–4.

He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. 2016;770–8.

Hinton GE, Osindero S, Teh YW. A Fast Learning Algorithm for Deep Belief Nets. Neural Comput. 2006;18(7):1527–54.

Hirasawa T, Aoyama K, Tanimoto T, Ishihara S, Shichijo S, Ozawa T, et al. Application of Artificial Intelligence Using a Convolutional Neural Network for Detecting Gastric Cancer in Endoscopic Images. Gastric Cancer. 2018;21(4):653–60.

Jung SK, Kim TW. New Approach for the Diagnosis of Extractions with Neural Network Machine Learning. Am J Orthod Dentofac Orthop. 2016;149(1):127–33.

Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W, et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Adv Neural Inf Process Syst. 2017;30:3146– 54.

Kohno S, Kasuta S. The Development of the Computer Expert System “TMDEX” for Diagnosing Temporomandibular Disorders and the Evaluation of the System in Clinical Treatments. Nihon Hotetsu Shika Gakkai Zasshi. 1993;37(3):521–8.

Kingma DP, Ba JL. Adam: A Method for Stochastic Optimization. 3rd Int Conf Learn Represent ICLR 2015 - Conf Track Proc. 2015:1–15.

Kök H, Acilar AM, İzgi MS. Usage and Comparison of Artificial Intelligence Algorithms for Determination of Growth and Development by Cervical Vertebrae Stages in Orthodontics. Prog Orthod. 2019;20(1):41-50.

Kudo T, Yamamoto K, Matsumoto Y. Applying Conditional Random Fields to Japanese Morphological Analysis. Proc 2004 Conf Empir Methods Nat Lang Process. 2004;230–7.

Kundel HL, Polansky M. Measurement of Observer Agreement. Radiology. 2003;228(2):303–8.

Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Artificial Intelligence in Orthodontics: Evaluation of a Fully Automated Cephalometric Analysis Using a Customized Convolutional Neural Network. J Orofac Orthop. 2020;81(1):52–68.

Lee JH, Kim DH, Jeong SN, Choi SH. Diagnosis and Prediction of Periodontally Compromised Teeth Using a Deep Learning-Based Convolutional Neural Network Algorithm. J Periodontal Implant Sci. 2018;48(2):114–23.

Lee SM, Seo JB, Yun J, Cho YH, Vogel-Claussen J, Schiebler ML, et al. Deep Learning Applications in Chest Radiography and Computed Tomography. J Thorac Imaging. 2019;34(2):75–85.

Li P, Kong D, Tang T, Su D, Yang P, Wang H, et al. Orthodontic Treatment Planning Based on Artificial Neural Networks. Sci Rep. 2019;9(1):2037-45.

Maeda Y, Tsutsumi, Okada M, Minoura M, Nobuki T, Okuno Y. An Expert System for Designing Removable Partial Denture--The Role of Data Base. J Osaka Univ Dent Sch. 1987,27:75–82.

Mikolov T, Chen K, Corrado G, Dean J. Efficient Estimation of Word Representations in Vector Space. 1st Int Conf Learn Represent ICLR 2013 - Work Track Proc. 2013.

Minsky M. Steps Toward Artificial Intelligence. Proc IRE. 1961,49(1):8–30.

Muramatsu C. Tooth Classification on Dental Cone-Beam CT Using Deep Convolutional Neural Network. Med Imaging Inf Sci. 2017;34(2):57–9.

Murata S, Lee C, Tanikawa C, Date S. Towards a Fully Automated Diagnostic System for Orthodontic Treatment in Dentistry. 2017 IEEE 13th Int Conf e-Science. 2017;1–7.

Patcas R, Bernini DAJ, Volokitin A, Agustsson E, Rothe R, Timofte R. Applying Artificial Intelligence to Assess the Impact of Orthognathic Treatment on Facial Attractiveness and Estimated Age. Int J Oral Maxillofac Surg. 2019;48(1):77–83.

Ren S, He K, Girshick R, Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Trans Pattern Anal Mach Intell. 2017,39(6):1137–49.

Rosenblatt F. The perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychol Rev. 1958;65(6):386–408.

Shortliffe EH. A Rule-Based Computer Program for Advising Physicians Regarding Antimicrobial Therapy Selection. Proc 1974 Annu ACM Conf ACM 1974. 1974;739.

Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv Prepr arXiv:1409.1556, 2014.

Steiner CC. The Use of Cephalometrics as an Aid to Planning and Assessing Orthodontic Treatment. Report of a Case. Am J Orthod. 1960;46(10):721–35.

Stephens CD, Mackin N, Sims-Williams JH. The Development and Validation of an Orthodontic Expert System. Br J Orthod. 1996;23(1):1–9.

Suhail Y, Upadhyay M, Chhibber A, Kshitiz. Machine learning for the Diagnosis of Orthodontic Extractions: A Computational Analysis Using Ensemble Learning. Bioengineering. 2020;7(2):1–13.

Tanikawa C, Kakiuchi Y, Yagi M, Miyata K, Takada K. Knowledge-Dependent Pattern Classification of Human Nasal Profiles. Angle Orthod. 2007;77(5):821–30.

Tanikawa C, Nakamura K, Yagi M, Takada K. Lip Vermilion Profile Patterns and Corresponding Dentoskeletal Forms in Female Adults. Angle Orthod. 2009;79(5):849–58.

Tanikawa C, Takada K. Objective Classification of Nose-Lip-Chin Profiles and their Relation to Dentoskeletal Traits. Orthod Craniofacial Res. 2014;17(4):226–38.

Thanathornwong B. Bayesian-Based Decision Support System for Assessing the Needs for Orthodontic Treatment. Healthc Inform Res. 2018;24(1):22–8.

Turing AM. Some Studies in Machine Learning Using the Game of Checkers. IBM J Res Dev. 1959;3(3):210–29.

Vapnik V. The Support Vector Method of Function Estimation. Nonlinear Model. 1998;55–85.

Vaswani A, Brain G, Shazeer N, Parmar N, Uszkoreit J, Jones L, et al. Attention Is All You Need. Adv Neural Inf Process Syst. 2017;30:5998–6008.

Xie X, Wang L, Wang A. Artificial Neural Network Modeling for Deciding if Extractions are Necessary Prior to Orthodontic Treatment. Angle Orthod. 2010;80(2):262–6.

Yagi M, Ohno H, Takada K. Computational Formulation of Orthodontic Tooth- Extraction Decisions. Angle Orthod. 2009;79(5):892–8.

Yu HJ, Cho SR, Kim MJ, Kim WH, Kim JW, Choi J. Automated Skeletal Classification with Lateral Cephalometry Based on Artificial Intelligence. J Dent Res. 2020;99(3):249–56.

Yu V, Fagan L, Wraith S, Clancey W, Jama ASU. Antimicrobial Selection by a Computer. A Blinded Evaluation by Infectious Diseases Experts. J Am Med Assoc. 1979;242(12):1279–83.

参考文献をもっと見る

全国の大学の
卒論・修論・学位論文
を
一発検索！

この論文の関連論文を見る