高速公路空间的预测建模利用临床病史,正常化肌肉活动,牙闭塞和下运动分析
Taseef Hasan Farook1, Tashreque Mohammed Haq2, Lameesa Ramees2
1Adelaide Dental School, The University of Adelaide, Adelaide, SA, 5000, Australia. Taseef.farook@adelaide.edu.au.
Scientific reports
|July 16, 2024
概括
通过使用各种因素,可以预测牙高速公路空间. 先进的AI模型,特别是精细的多层感知神经网络,准确地估计了高速公路的空间,错误最小.
科学领域:
- 生物医学工程 生物医学工程
- 牙科科学 牙科科学
- 医疗保健中的人工智能
背景情况:
- 牙高速公路空间是一个关键的诊断参数.
- 准确预测高速公路空间可以帮助诊断和治疗规划.
- 目前用于自由路空间评估的方法可能有限.
研究的目的:
- 开发和评估牙科高速公路空间的预测模型.
- 确定高速公路空间的关键临床和功能预测因素.
- 为了比较各种机器学习算法在高速公路空间预测中的性能.
主要方法:
- 收集了66名参与者的数据,包括临床病史,习惯,闭合参数,下运动,肌肉活动和关节功能.
- 利用基于视频的面部地标跟踪,电视图,电肌图和3D部扫描来收集121个预测特征.
- 使用合成和原始数据训练和测试了六种机器学习模型 (线性回归,随机森林,CatBoost,XGBoost,MPNN,TabNet).
主要成果:
- 可解释的人工智能识别了语音学,静止时肌活动,部肌活动在紧握时,体重,部硬组织横移和牙弧度参数作为关键预测因素.
- CatBoost Regressor在5000个合成数据点的测试中取得了0.65毫米的测试误差.
- 一个精细的多层感知神经网络 (MPNN) 模型表现出卓越的性能,在25000个合成数据点和121个预测器的原始观测中实现了0.43毫米的绝对误差.
结论:
- 机器学习模型可以有效地预测牙高速公路空间.
- 语音分析,肌肉活动,体重和牙弧度参数是重要的预测因素.
- 精细的MPNN模型显示高速公路空间预测的高精度,提供潜在的临床实用性.
