Page 81 - C:\Users\lpnan\Documents\Flip PDF\revue ODF 1 2021\

Deep Learning in orthodontics: going forward on a new patient-practitioner relationship

Tableau 1 : IA et médecine bucco-dentaire.

Auteurs Technique IA Technique Échantillon Résultats
d’imagerie

Détection des caries

Sensibilité :
Karimian (2018) [16] CNN IOS 5 97.93~99.85%
Spécificité : 100%
Lee (2018) [20] CNN Rétro-alvéolaire 3000 Précision : 82 à 89 %

Détection des fractures dentaires

Abdolali (2019) [1] Symmetry-based CBCT 1145 Indice de Sørensen-
analysis model
Dice : 0,87
Rétro-alvéolaire 180 Précision : 70 %
Johari (2017) [13] CNN
CBCT 180 Précision : 96,6 %

Détection des pathologies kystiques

Abdolali (2019) [1] Symmetry-based CBCT 1145 Indice de
analysis model Sørensen-Dice : 0,85

Précision :
Abdolali (2017) RBF CBCT 96
[2]
94,3 à 96,5 %
Lee (2020) [19] CNN Panoramique 912 AUC : 0,847
CBCT 789 AUC : 0,914

Okada (2015) [33] LDA CBCT 28 Précision : 94,1 %

Orhan (2020) [34] CNN CBCT 3900 Précision : 92,8 %

Yilmaz (2017) [47] SVM CBCT 50 Précision : 94 %

Anomalies parodontales et ostéoporose

Lee (2018) [21] CNN Rétro-alvéolaire 1740 Précision : 76,7 à 81 %

Lee (2019) [23] CNN Panoramique 1268 AUC = 0,976 à 0,999

[4]
Chu (2018) CNN Panoramique 108 Précision : 89,3 à 90 %
Qualité image

Indice de
Minnema (2019) [29] MS-D ou CNN CBCT 20 Sørensen-Dice :
0,78 à 0,87

RODF 2021;55(1):73-87 81

21/01/2021 16:19
RODF-2021-1.indb 81 21/01/2021 16:19
RODF-2021-1.indb 81