根据椎脊椎的成熟,估计下的生长阶段,通过使用人工智能进行横向头脑电图

科学领域:

• 矯正牙科 矯正牙科是一種矯正牙科.
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• ортодонтика治疗的最佳时间对于成功的结果至关重要.
• 椎成熟度 (CVM) 是评估骨成熟度的一个关键指标.
• 准确的CVM分期有助于个性化治疗规划.

研究的目的:

• 开发和评估一种人工智能驱动的方法,用CVM分析来估计下下的生长阶段.
• 直接将椎椎与下生长斜率相关联,绕过传统的CVM阶段命名.
• 为了比较不同深度学习模型在预测青春期成长阶段的表现.

主要方法:

• 从200名患者 (108名女性,92名男性) 的连续横向脑 X射线图中利用.
• 计算下长度和分类成长到青春期前,青春期和青春期后的阶段.
• 应用深度学习模型,包括定制的CNN和ResNet-18,对663张图像进行评估.

主要成果:

• 对于青春期和青春期后的阶段,ResNet-18在大多数诊断措施 (灵敏度,特异性,准确性,PPV,NPV) 中表现出卓越的表现.
• 定制的CNN在诊断青春期前阶段时显示出更高的灵敏度 (0.84) 和NPV (0.91).
• ResNet-18实现了最高的整体诊断准确率,达到87.5%,而定制CNN的准确率为81%.

结论:

• 人工智能模型可以有效地从椎脊椎图像中预测下巴生长状态 (青春期前,青春期,青春期后).
• ResNet-18模型显示了在临床正牙科中进行准确可靠的CVM评估的巨大潜力.
• 这种人工智能方法提供了一种新的方法,可以直接将椎脊椎的成熟与下骨生长动态联系起来.