相关实验视频
Updated: Jul 12, 2025

09:26
Quantification of Orofacial Phenotypes in Xenopus
Published on: November 6, 2014
9.8K
基于部分最小平方和人工智能的个性化面部生长预测模型的比较
The Angle orthodontist
|November 1, 2023
概括
人工智能 (AI) 模型在预测面部生长方面表现出卓越的准确性,与部分最小平方 (PLS) 回归相比. 人工智能显示出较低的预测错误,特别是在软组织和下标志上,这使得它更有利于复杂的增长预测.
科学领域:
- 矯正牙醫和牙臉整形醫學
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
背景情况:
- 准确的面部生长预测对于正牙治疗计划至关重要.
- 像部分最小平方 (PLS) 回归这样的传统方法在捕捉复杂的增长模式方面存在局限性.
- 人工智能 (AI) 的进步,特别是深度学习,为提高预测准确性提供了潜力.
研究的目的:
- 用部分最小平方 (PLS) 回归和人工智能 (AI) 开发的面部生长模型的预测精度进行比较.
- 评估AI (TabNet深度神经网络) 与PLS回归在预测骨和软组织标志上的表现.
主要方法:
- 从410名未经治疗的患者 (2002-2022) 中使用了连续纵向侧向脑图.
- 手动识别了46个骨和32个软组织地标.
- 使用多变量PLS回归和TabNet深度神经网络构建增长预测模型,具有161个预测因子和156个响应变量.
主要成果:
- 人工智能模型的平均预测误差比PLS模型小2.11毫米.
- 在78个地标中,AI对63个地标更准确,而PLS在9个底地标中表现出色.
- 与硬组织,大和水平生长相比,软组织,下和垂直生长的预测错误较大.
结论:
- PLS和AI都是面部生长预测的有价值工具.
- 对于低变量的头骨底部地标,PLS证明了准确性.
- 人工智能总体上表现优于PLS,特别是在大和下的地标上,这表明它在相当不确定的情况下具有优势.
更多相关视频
07:32Author Spotlight: 3D Movement Assessment of Maxillary Posterior Teeth in Clear Aligner Treatment
Published on: February 23, 2024
1.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K