Purpose
The current Classification of Periodontal and Peri-Implant Diseases and Conditions, published and disseminated in 2018, involves some difficulties and causes diagnostic conflicts due to its criteria, especially for inexperienced clinicians. The aim of this study was to design a decision system based on machine learning algorithms by using clinical measurements and radiographic images in order to determine and facilitate the staging and grading of periodontitis.
Methods
In the first part of this study, machine learning models were created using the Python programming language based on clinical data from 144 individuals who presented to the Department of Periodontology, Faculty of Dentistry, Süleyman Demirel University. In the second part, panoramic radiographic images were processed and classification was carried out with deep learning algorithms.
Results
Using clinical data, the accuracy of staging with the tree algorithm reached 97.2%, while the random forest and k-nearest neighbor algorithms reached 98.6% accuracy. The best staging accuracy for processing panoramic radiographic images was provided by a hybrid network model algorithm combining the proposed ResNet50 architecture and the support vector machine algorithm. For this, the images were preprocessed, and high success was obtained, with a classification accuracy of 88.2% for staging. However, in general, it was observed that the radiographic images provided a low level of success, in terms of accuracy, for modeling the grading of periodontitis.
Conclusions
The machine learning-based decision system presented herein can facilitate periodontal diagnoses despite its current limitations. Further studies are planned to optimize the algorithm and improve the results.
The Global Innovation Index (GII) aims to rank countries using different innovation factors. This ranking list enables countries to observe their potential status according to the rankings of other countries. The countries are classified under four groups according to the World Bank Income Group Classification on the GII list. The groups are named as; low income (LI), lower-middle income (LM), upper-middle income (UM) and high income (HI). Also, every country has a score in this ranking list. In this study, the ranking scores of 128 countries are estimated using the artificial neural network (ANN). We chose the relevant 27 features on GII 2016 Report, as input data. The significance of this paper is that; it is the first curve fitting and estimation of the score processes on GII 2016 dataset. The low root mean square error (RMSE) value which is obtained in an experimental study shows that the fitting structure is good enough to determine the approximate score of the countries in GII list. The results also show that the selected 27 features are sufficient for obtaining the income score of the countries. Increasing the number of features would lower the RMSE value and enable better approximation in the curve fitting process. The final results can assist the countries in achieving long-term output growth and improving their innovation capabilities.
Öz Tıbbi görüntülerin yorumlanarak hasta ve hastalık hakkında önemli veriler elde edilmesi zaman ve emek açısından oldukça maliyetlidir. Tıbbi görüntülerin yapay zekâ yöntemleri ile analiz edilmesi sayesinde hastalık tespitinin yapılması, sınıflandırılması ve bunların otomatikleştirilmesi uzmanların iş yükünü azaltmaktadır. Bu çalışmada, 2018 Data Science Bowl veri setinden elde edilen tıbbi görüntülerdeki çekirdeklerin tespitinin otomatikleştirilmesi yapılmaktadır. 2018 Data Science Bowl, çekirdek tespitinin otomatikleştirilmesi amacıyla bir yarışma için bir araya getirilmiş tıbbi görüntülerden oluşmaktadır. Bu veri seti içerisinde 670 adet eğitim görüntüsü ve bunlara ait maske görüntüleri ile 65 adet test görüntüsü yer almaktadır. Test görüntülerine ait maske görüntüleri olmadığı için çalışma, eğitim görüntülerinin %10'unun doğrulama verisi olarak ayrılarak bu veriler üzerinden yapılmaktadır. Çalışmada, çekirdek tespitinin otomatikleştirilmesinde U-Net Evrişimli Sinir Ağı kullanılıp en yüksek doğruluk ve en düşük hata oranının elde edilmesi amaçlanmıştır. Çekirdek tespitindeki doğruluk oranının arttırılması ve hata oranının minimize edilmesi amaçlandığı için, yapılan deneysel çalışmalar iki bölüme ayrılmaktadır. İlk olarak Adam optimizasyonu ve belirli hiper parametreler kullanılmakta, ikinci bölümde ise sonuçların en iyilenmesi için hiper parametre optimizasyonu yapılmaktadır. Hiper parametre optimizasyonu için Izgara Arama yöntemi tercih edilmiştir. Deneysel çalışmaların ilk aşamasında doğrulama verileri için elde edilen doğruluk oranı 0.9675 olarak bulunmuştur. Hiper parametre optimizasyonu yapıldıktan sonra ise doğrulama verileri için en iyi iki sonuç sırası ile 0.9698 ve 0.9739 olarak bulunmuştur. Son olarak, en iyi sonucu veren 0.9739 oranı için belirlenen hiper parametreler Stokastik Gradyan İniş, RMSProp ve AdaDelta optimizasyon yöntemleri için de denenmiştir. Bu sayede optimizasyon yöntemlerin kıyaslaması da yapılmış ve en iyi sonucu veren optimizasyon yönteminin Adam optimizasyonu olduğu belirlenmiştir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.