用头脑计量测量进行训练的深度学习算法的性能:初步研究

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
• 医疗成像医学成像

背景情况:

• 外口形状照片对于正牙诊断和治疗规划至关重要.
• 目前的方法通常依赖于脑电量放射学,这涉及辐射暴露.
• 开发人工智能驱动的替代方案可以提高诊断效率和患者安全.

研究的目的:

• 评估深度学习算法的有效性,根据口外照片对正牙患者进行分类.
• 为了将摄影分类与已确定的脑法测量测量相关联.
• 探索AI的潜力,以尽量减少对脑力X射线的依赖.

主要方法:

• 使用了990名正牙患者的头脑计放射和个人资料照片.
• 使用Webceph软件进行了脑表测量 (FH-NA,FH-NPog,FMA,N-A-Pog).
• 在患者照片上训练了14个深度学习模型,按头脑测量值分组.

主要成果:

• 在分类患者图像方面实现了高准确率:FH-NA高达96.67%,FH-NPog高达97.33%,FMA高达97.67%,N-A-Pog高达97.00%.
• 经过训练的深度学习模型表现出强大的预测性能.
• 验证了脑测量数据与基于人工智能的摄影分类之间的相关性.

结论:

• 在脑力测量数据上训练的深度学习模型在从照片中分类正牙患者的个人资料方面表现出高准确性.
• 这种人工智能方法为正牙诊断和治疗规划提供了一个有希望的,潜在的无辐射替代方案.
• 这项研究开创了人工智能用于基于客观头脑测量参数的临床图像分类.