预测和分类牙损伤的混合方法:整合调整回归和XG提升方法
Asok Mathew1, Pradeep K Yadalam2, Ahmed Radeideh3
1Department of Clinical Sciences, College of Dentistry, Centre for Medical and Bio-Allied Health Sciences Research, Ajman University, Ajman, United Arab Emirates.
Frontiers in oral health
|May 13, 2025
概括
这项研究开发了一种混合人工智能模型,用于预测下第三损伤,达到78%的准确性. 该模型分析了关键的放射测量,以帮助牙医在治疗规划和减少并发症.
科学领域:
- 牙科医学 牙科医学
- 医疗分析 医疗分析
- 人工智能在牙科中的应用
背景情况:
- 牙损伤,牙对齐问题,提出了一个临床挑战,需要先进的预测建模.
- 放射测量,如全景放射和CBCT用于诊断,人工智能提高预测准确度.
研究的目的:
- 预测下第三的喷发使用混合方法,结合调整回归和合体方法.
- 通过提高冲击预测准确度,为牙医开发一个强大的临床决策支持系统.
主要方法:
- 量化,观察性,横截面的回顾性研究分析了三个参数:第2到前边距离,第3半距离宽度和根顶到下边距离.
- 利用集体学习算法与规范回归技术集成,用于特征选择和预测建模.
主要成果:
- 混合方法在预测牙损伤方面取得了78%的准确性.
- 水平撞击显示空间/宽度比率最低 (0.9267),表明喷发潜力较低.
- 规范化后勤回归模型在分类和预测方面达到75%的准确性.
结论:
- 该研究确定了用于预测空间/宽度比的关键参数 (从第2骨到前骨边缘的距离和第3骨半距离宽度).
- 先进的建模技术和数据质量提升对于提高牙损伤预测能力至关重要.
- 研究结果支持优化治疗计划,并减少牙医的潜在并发症.


