Компьютер

Научные отчеты, том 13, Номер статьи: 1561 (2023) Цитировать эту статью

2555 Доступов

2 цитаты

8 Альтметрика

Подробности о метриках

В ходе текущего многофазного исследования invitro была разработана и проверена трехмерная сверточная нейронная сеть (3D-CNN) для создания частичных зубных коронок (PDC) для использования в восстановительной стоматологии. Впервые была оценена эффективность настольных лазерных и внутриротовых сканеров при генерировании данных для целей 3D-CNN (этап 1). Не было существенных различий в площади поверхности [t-stat(df) = - 0,01 (10), средняя разница = - 0,058, P > 0,99] и объеме [t-stat(df) = 0,357 (10)]. Однако для этапа 2 было выбрано внутриротовое сканирование, поскольку оно обеспечивает более высокий уровень объемной детализации (343,83 ± 43,52 мм3) по сравнению с настольным лазерным сканированием (322,70 ± 40,15 мм3). На втором этапе 120 препарированных зубов были синтезированы в цифровом виде на основе внутриротовых сканирований, и два клинициста спроектировали соответствующие PDC, используя рабочие процессы автоматизированного проектирования (САПР) на персональном компьютере. Статистическое сравнение с помощью 3-факторного дисперсионного анализа продемонстрировало значительные различия в площади поверхности (P < 0,001), объеме (P < 0,001) и пространственном перекрытии (P < 0,001), поэтому для анализа были выбраны только наиболее точные PDC (n = 30). обучить нейронную сеть (этап 3). Текущая 3D-CNN обеспечивает точность проверки 60%, потери при проверке 0,68–0,87, чувствительность 1,00, точность 0,50–0,83 и служит доказательством концепции того, что 3D-CNN может прогнозировать и создавать протезы PDC в CAD для восстановительной стоматологии.

Разработка искусственного интеллекта (ИИ) произошла в 1943 году, но термин «искусственный интеллект» был придуман на сессии в Дартмуте в 1956 году. Согласно этой аналогии, глубокое обучение, нейронные сети и машинное обучение являются подмножествами ИИ. Машины могут учиться посредством создания алгоритмов, решающих задачи прогнозирования без участия человека2. Используемые нейронные сети (НС) представляют собой математические нелинейные модели, имитирующие человеческий мозг в плане обучения и принятия решений, стимулирующие когнитивные навыки человека3. Такие НС могут быть сложными со скрытыми слоями и могут быть обучены представлять и прогнозировать многоуровневое восприятие, обрабатывая данные с помощью глубокого обучения2. Сверточные нейронные сети и искусственные нейронные сети являются наиболее часто используемыми конструкциями для обработки данных при планировании профилактики, базовой терапии и прогнозировании затрат на лечение3. В ближайшем будущем эта технология приведет к появлению различных новых областей применения в общедоступных областях в виде умных помощников4. Одной из областей, которая могла бы получить выгоду, была бы сфера стоматологической медицины, открывающая разнообразные возможности для рутинных задач, которые изначально выполнялись стоматологическим персоналом, с улучшенным качеством медицинской помощи5,6.

Априори модели искусственного интеллекта обычно использовались для картирования и окончательной обработки зубов, а также для различных применений в протезировании. Методы компьютерного проектирования также использовались для выбора анатомии зубов для автоматизированных проектов реставрации зубов. Успешная отливка металлических каркасов, подбор цвета зубов и подбор цвета фарфора являются рекомендуемыми функциями моделей AI7. Непрямые реставрации, частичные зубные коронки или PDC (вкладки и накладки) в последнее время начали набирать популярность в движении «минимально инвазивной стоматологии». В подтверждение предложенных преимуществ было установлено, что препарирование золотых и керамических накладок приводило к значительно меньшему уменьшению структуры коронковой части зуба по сравнению с их эквивалентами с полным покрытием на том же зубе при выполнении студентами бакалавриата8,9. В то время как коммерчески доступные цифровые решения предоставляли стоматологам помощь в использовании САПР при подготовке цифровых вкладок и накладок, большинство бесплатных или открытых реализаций были задокументированы для зубных протезов и более крупных протезов, в отличие от PDC10,11. Кроме того, в литературе предполагается, что как настольные лазерные сканеры, так и внутриротовые сканеры сами по себе являются точными устройствами и эффективно выполняют определенные функции12,13,14. Однако в документации не указано идеальное устройство для записи входных данных для цифровой записи препарирования зубов для целей PDC и машинного обучения. Учитывая отсутствие конкретной литературы, предыдущие отчеты о проектировании САПР с открытым исходным кодом были проанализированы и изменены для разработки новых рабочих процессов реконструкции, подходящих для текущего исследования. Рабочие процессы были пересмотрены и упрощены, чтобы устранить крутую кривую обучения, о которой обычно сообщают стоматологи, приветствующие клиническую цифровизацию15,16,17. Поэтому было сочтено целесообразным, чтобы стоматологи разработали цифровые PDC в CAD, которые затем будут использоваться в процессе машинного обучения.