使用共振频率分析和机器学习检测固定部分假牙中保留损失的异常检测:一个体外研究:一个体外研究
Sara Reda Sammour1,2, Hideki Naito3, Tomoyuki Kimoto4
1Division of Advanced Prosthetic Dentistry, Tohoku University Graduate School of Dentistry, Sendai, Japan.
Journal of prosthodontic research
|February 21, 2024
概括
机器学习和共振频率分析 (RFA) 可以评估固定部分假牙 (FPD) 的凝固. 这项技术有助于早期检测FPD保留损失,改善牙科诊断.
科学领域:
- 生物材料科学 生物材料科学
- 牙科工程 牙科工程
- 人工智能在牙科中的应用
背景情况:
- 评估固定部分假牙 (FPD) 的凝固完整性对于长期的临床成功至关重要.
- 目前用于评估FPD保留的方法可能是侵入性的或缺乏精度.
- 共振频率分析 (RFA) 提供了一种非侵入性方法来评估植入物稳定性,并有可能用于FPD评估.
研究的目的:
- 评估机器学习 (ML) 技术的有效性,包括监督和无监督学习,与RFA一起用于评估FPD凝固状态.
- 使用RFA数据和ML算法,区分FPD的各种凝固条件 (完全凝固,部分凝固和未凝固).
主要方法:
- 实验室下模型采用了由高金合金制成的单个冠状和三单元桥梁.
- 对于单一的皇冠,创建了两个不同的化状态 (化和不化),对于三个单位的桥梁,创建了四个状态.
- 通过应用冲动力和用3D加速度计测量频率响应进行了共振频率分析,随后使用监督和无监督ML算法进行了分析.
主要成果:
- 监督学习模型确定了不同凝固状态的不同频率特征,特征重要性得分与频率有显著差异 (例如,完全凝固的~3000 Hz,部分凝固的1000-2000 Hz,未凝固的0-500 Hz).
- 无监督学习方法通过在这些状态中识别更高的异常分数,有效地区分了非水泥化和部分水泥化条件.
- 通过ML-RFA方法,显然能够区分不同程度的FPD凝固.
结论:
- 机器学习和RFA的结合提供了一个有希望的,非侵入性的方法来评估FPD的凝固条件.
- 这种方法有可能促进FPD保留损失的早期诊断,使得及时的临床干预成为可能.
- 将ML与RFA集成在一起可以显著提高FPD稳定性评估的诊断能力.
