機械学習技術を用いた歯内療法治療歯の生体内垂直性歯根破折の診断

Diagnosis of In Vivo Vertical Root Fracture in Endodontically Treated Teeth Using Machine Learning Techniques.

抄録

はじめに:

本研究は、歯内療法を行った歯の垂直歯根破折（VRF）を、コーンビームCTから得られる臨床的特徴と骨量情報を用いて、機械学習モデルにより診断することを目的とした。

INTRODUCTION: This study aimed to diagnose vertical root fracture (VRF) of endodontically treated teeth using clinical features and bone loss information from cone beam computed tomography with machine learning models.

方法:

このレトロスペクティブ研究には、歯内療法手術を受けた合計887人、941本の歯を対象とした。コーンビームCTで検出された臨床的因子と骨欠損を測定・記録した。VRFの診断には、線形機械学習モデル、ロジスティック回帰モデル、およびXGBoost、LightGBM、CatBoostを含む非線形モデルを使用した。モデルの性能は、5重クロスバリデーションを用い、曲線下面積、感度、特異度、精度、Fスコアを含むさまざまな性能パラメータに基づいて評価した。モデルの解釈はShapley Additive Explanationsによって可視化された。

METHODS: A total of 887 patients with 941 teeth undergoing endodontic surgery were included in this retrospective study. The clinical factors and bone defects detected via cone beam computed tomography were measured and recorded. Linear machine learning models, logistic regression model and nonlinear models, including XGBoost, LightGBM, and CatBoost were used to diagnose VRF. Model performance was evaluated using 5-fold cross-validation and based on various performance parameters, including the area under the curve, sensitivity, specificity, precision, and F score. Model interpretations were visualized by Shapley Additive Explanations.

結果:

941歯のうち、112歯（11.9%）のVRF歯が歯内療法中または抜歯後に同定された。XGBoostおよびLightGBMは、それぞれ曲線下面積0.98 [0.96, 0.99]、特異度0.978および0.983、感度0.883および0.803、精度0.846および0.865と優れた性能を示した。Shapley Additive Explanations値は、舌側/頬側骨欠損、歯根尖上骨欠損高さと欠損全高の比、骨欠損幅、年齢が上位5因子であることを示した。

RESULTS: Of the 941 teeth, 112 VRF teeth (11.9%) were identified during endodontic surgery or after tooth extraction. XGBoost and LightGBM showed excellent performance with area under the curves of 0.98 [0.96, 0.99], specificity of 0.978 and 0.983, sensitivity of 0.883 and 0.803, and precision of 0.846 and 0.865, respectively. Shapley Additive Explanations values showed that lingual/buccal bone defect, the ratio of bone defect height above the root apex to the defect total height, width of bone defect and age were the top 5 contributors.

結論:

年齢、性別、歯の種類、根管充填の質、骨欠損の位置、高さ、幅、深さを用いたVRFの診断のための機械学習モデルは、根管治療後の臨床的意思決定に有用である。

CONCLUSIONS: Machine learning models for the diagnosis of VRF using age, sex, tooth type, the quality of root canal filling and bone loss position, height, width, and depth are valuable for clinical decision making after root canal treatment.