基于配对数据对用于口内 X 光片牙科异常检测的深度学习算法进行统计验证

本文描述了一项临床验证研究的设计、统计分析及结果，该研究针对一种检测口内 X 光图像中牙科异常的深度学习算法，具体包括龋齿、根尖病变、根管治疗缺陷、冠修复体边缘缺陷、牙周骨丧失和牙结石。本研究比较了牙医在使用该深度学习算法与无算法辅助情况下评估图像的探测性能。通过计算标注配对图像数据的性能边际增益与损失，可以量化假设的灵敏度和特异性的变化。我们广泛使用 McNemar 检验和二项式假设检验证明了这些结果的统计显著性。平均灵敏度从 $60.7\%$ 提高到 $85.9\%$，而平均特异性则从 $94.5\%$ 略微下降至 $92.7\%$。我们证明了定位 ROC 曲线下面积（AUC）的增加是显著的（平均从 $0.60$ 增至 $0.86$），且平均 AUC 受限于 $95\%$ 置信区间 ${[}0.54, 0.65{]}$ 和 ${[}0.82, 0.90{]}$。当使用该深度学习算法进行诊断指导时，牙医可以有 $95\%$ 的把握认为总体平均灵敏度介于 $79.6\%$ 至 $91.9\%$ 之间。所提出的配对数据设置和统计分析可作为蓝图，用于彻底测试模态变化（如基于深度学习的检测和/或分割）对 X 光图像的影响。