← Retour aux articles
Étude transversaleHors périmètre

Prévision des résultats endodontiques à partir de radiographies intra-orales au moyen d'un réseau de neurones convolutifs profond

Forecasting endodontic outcomes from intraoral radiographs using a deep convolutional neural network.

PubMed — neurosciences cognitives developpementales · Anglais

L’essentiel

Cette etude visait a developper et evaluer un modele generalise de reseau de neurones convolutifs profond, nomme ApexNet-17, pour predire les resultats endodontiques sur tous les types de dents en utilisant des radiographies periapicales preoperatoires. Un ensemble de donnees comprenant 2 603 dents provenant de deux institutions a ete utilise pour entrainer et valider le modele. Les resultats endodontiques ont ete determines sur la base de la survie dentaire et de la sante periapicale radiographique au cours d'un suivi de un a trois ans. Le modele integre des mecanismes d'attention automatique et a ete teste sur une cohorte externe de 324 cas. ApexNet-17 a atteint une precision de 72,1 pourcent, une sensibilite de 58,5 pourcent et une aire sous la courbe de 0,666. Ces performances demeurent inferieures au seuil generalement considere comme acceptable pour un soutien a la decision clinique. Les auteurs soulignent des limites methodologiques importantes, notamment l'exclusion de certains scores intermediaires et un taux eleve de faux positifs. Des ameliorations supplementaires sont necessaires avant toute implementation clinique de ce type d'outil d'intelligence artificielle.

  • Le modele ApexNet-17 a ete developpe pour predire les resultats endodontiques a partir de radiographies preoperatoires.
  • L'etude s'appuie sur un jeu de donnees multicentrique comprenant plus de 2 600 dents analysees sur une periode de suivi de un a trois ans.
  • Le modele a atteint une precision de 72,1 pourcent et une sensibilite de 58,5 pourcent lors des tests externes.
Robustesse de l’étudeNon déterminable

Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.

Comprendre l’analyse ↓
Portée de l’analyse NeuroWatchAnalyse partielle

Analyse du résumé uniquement. Confiance faible dans les informations extraites.

Voir les sources ↓

Synthèse détaillée

Synthèse

Cette etude visait a developper et evaluer un modele generalise de reseau de neurones convolutifs profond, nomme ApexNet-17, pour predire les resultats endodontiques sur tous les types de dents en utilisant des radiographies periapicales preoperatoires. Un ensemble de donnees comprenant 2 603 dents provenant de deux institutions a ete utilise pour entrainer et valider le modele. Les resultats endodontiques ont ete determines sur la base de la survie dentaire et de la sante periapicale radiographique au cours d'un suivi de un a trois ans. Le modele integre des mecanismes d'attention automatique et a ete teste sur une cohorte externe de 324 cas. ApexNet-17 a atteint une precision de 72,1 pourcent, une sensibilite de 58,5 pourcent et une aire sous la courbe de 0,666. Ces performances demeurent inferieures au seuil generalement considere comme acceptable pour un soutien a la decision clinique. Les auteurs soulignent des limites methodologiques importantes, notamment l'exclusion de certains scores intermediaires et un taux eleve de faux positifs. Des ameliorations supplementaires sont necessaires avant toute implementation clinique de ce type d'outil d'intelligence artificielle.

Résultats principaux

Le modele ApexNet-17 a ete developpe pour predire les resultats endodontiques a partir de radiographies preoperatoires. L'etude s'appuie sur un jeu de donnees multicentrique comprenant plus de 2 600 dents analysees sur une periode de suivi de un a trois ans. Le modele a atteint une precision de 72,1 pourcent et une sensibilite de 58,5 pourcent lors des tests externes. La specificite du modele reste limitee a 50,6 pourcent, ce qui entraine un taux eleve de faux positifs. Les performances actuelles du modele ne sont pas encore suffisantes pour une utilisation directe en tant qu'aide a la decision clinique.

Repères pour la pratique

Les cliniciens ne doivent pas encore s'appuyer sur ce type d'algorithme d'intelligence artificielle pour decider de la prise en charge endodontique. D'autres ameliorations et validations sur des cohortes variees sont indispensables avant l'integration de tels outils en pratique dentaire.

Limites et précautions

Cet article traite de modeles d'intelligence artificielle en odontologie et imagerie dentaire, ce qui presente un interet tres faible pour la neuropsychologie et la sante mentale, hors du perimetre cible de NeuroWatch. L'etude presente l'exclusion des scores d'index periapical intermediaires 2 et 3 de l'analyse. Les comparaisons avec les modeles precedents doivent etre interpretees avec prudence en raison de l'utilisation de jeux de donnees differents. La performance du modele reste incertaine dans les situations cliniques ambigues.

Analyse méthodologique

Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.

Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.

Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.

Examiner les critères point par point

Cette analyse automatisée repose exclusivement sur l'examen du résumé et des métadonnées de la publication, ce qui constitue une limitation méthodologique majeure pour l'évaluation exhaustive de la robustesse. Les auteurs de l'étude ont évalué l'outil ApexNet-17, un réseau de neurones convolutifs à 17 couches, sur un échantillon de 2 603 dents provenant de deux institutions. Les résultats rapportés incluent une exactitude de 72,1 %, une sensibilité de 58,5 % et une aire sous la courbe (AUC) de 0,666. Selon les conclusions des auteurs, ces performances se situent en deçà du niveau généralement requis pour un soutien à la décision clinique, et des limites ont été notées quant à la comparabilité des modèles sur différents jeux de données. Du point de vue de l'analyse NeuroWatch, la sélection de la population est adéquate avec un effectif de 2 603 dents et l'utilisation de données d'entraînement, de validation interne et de test externe. L'analyse statistique est documentée de manière adéquate via l'évaluation des métriques de performance. En revanche, le contrôle des facteurs de confusion potentiels est non rapporté dans la source analysée, cette absence de mention ne constituant pas la preuve que la méthode n'a pas été appliquée. Concernant la validité des mesures, une limitation est explicitement documentée avec l'exclusion des scores PAI intermédiaires (2 et 3). Les informations relatives au financement et aux conflits d'intérêts sont également non rapportées dans la source analysée. L'ensemble de cette analyse est automatisé et ne formule aucune recommandation clinique.

confounding controlNon déterminable

Aucune information n'est fournie concernant le contrôle des facteurs de confusion potentiels dans l'analyse.

L’information nécessaire n’est pas rapportée dans la source analysée.
measure validityPoint de vigilance

Les issues endodontiques ont été déterminées par la survie dentaire et la santé périapicale radiographique en utilisant l'indice périapical (PAI), mais avec l'exclusion des scores PAI intermédiaires (2 et 3).

Une limitation méthodologique est explicitement documentée.
population selectionFavorable

L'étude a utilisé un ensemble de données comprenant 2 603 dents provenant de deux institutions, avec 2 279 cas pour l'entraînement/validation interne et 324 cas pour le test externe.

Un élément méthodologique adéquat est explicitement documenté.
statistical analysisFavorable

L'analyse statistique comprend l'évaluation de l'exactitude (72,1%), de la sensibilité (58,5%), de l'aire sous la courbe (AUC de 0,666) et des comparaisons avec un modèle pilote via des tests de significativité.

Un élément méthodologique adéquat est explicitement documenté.

Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.

Classification détaillée

Lecture multiaxiale

Ce que l’article étudie

Taxonomie 2026_10

L'article porte sur l'utilisation de l'intelligence artificielle pour predire des resultats endodontiques en dentisterie a partir de radiographies, ce qui est completement hors du perimetre de la neuropsychologie et du neurodeveloppement.