Video Experimental Relacionado
Updated: Sep 9, 2025
Quasistatic Mechanical Testing for Computer-Aided Design and Manufacturing Occlusal Veneers Cemented to Milled Dentin Analog Material
Published on: December 20, 2024
Benchmarking de restauraciones de incrustaciones diseñadas con aprendizaje profundo a través de la experiencia del
Jun-Ho Cho1, Hyung-In Yoon2, Burak Yilmaz3
1Department of Prosthodontics, School of Dentistry and Dental Research Institute, Seoul National University, Seoul, Republic of Korea.
Los flujos de trabajo de aprendizaje profundo (DL) para incrustaciones dentales mejoran significativamente el tiempo de diseño y reducen la variabilidad del operador en comparación con los métodos tradicionales. Si bien la DL mejora la eficiencia, la participación humana con experiencia sigue siendo crucial para una calidad óptima de contacto y contorno en odontología restaurativa.
Área de la Ciencia:
- Odontología digital
- Inteligencia artificial en la prótesis
- CAD/CAM para las restauraciones dentales
Sus antecedentes:
- El diseño tradicional de incrustaciones se basa en la experiencia manual, lo que lleva a la variabilidad en la eficiencia del tiempo y la calidad.
- El aprendizaje profundo (DL) ofrece potencial para automatizar y optimizar los flujos de trabajo de diseño dental.
- La evaluación del rendimiento del DL en comparación con los operadores humanos es crucial para su adopción clínica.
Objetivo del estudio:
- Evaluar un flujo de trabajo de diseño de incrustaciones basado en aprendizaje profundo (DL) frente a métodos basados en humanos.
- Evaluar el impacto de la DL en la eficiencia del tiempo, la intensidad de contacto y la calidad del contorno.
- Determinar si la DL reduce la variabilidad relacionada con la experiencia entre los operadores.
Principales métodos:
- Se compararon cinco flujos de trabajo de diseño de incrustaciones: convencional (maestro/principiante) y tres variaciones de DL (como generado, optimizado para el maestro, optimizado para el principiante).
- Se utilizaron 25 exploraciones digitales de los dientes posteriores preparados para las cavidades mesiano-oclusal (MO) o distal-oclusal (DO).
- Evaluación de la eficiencia del tiempo, la intensidad del contacto oclusal/proximal y la calidad del contorno mediante análisis estadístico (prueba de Kruskal-Wallis, Dunn).
Principales resultados:
- Los flujos de trabajo de DL redujeron significativamente el tiempo de diseño, particularmente la versión generada.
- Se encontraron diferencias significativas en la intensidad del contacto oclusal y proximal y en la calidad del contorno entre los flujos de trabajo.
- La optimización de la DL por los usuarios mostró diferencias basadas en el nivel de experiencia, pero la DL redujo la variabilidad general.
Conclusiones:
- Los flujos de trabajo de aprendizaje profundo mejoran la eficiencia del tiempo y reducen la variabilidad del técnico en el diseño de la incrustación.
- La experiencia humana sigue siendo vital para lograr resultados cuantitativos y cualitativos óptimos en las restauraciones dentales.
- Los flujos de trabajo basados en DL son prometedores para mejorar la eficiencia y reducir las disparidades de habilidades en CAD/CAM dental.
