根据口腔内扫描预测大牙的质深度分布:一项机器学习研究

科学领域:

• 生物医学工程 生物医学工程
• 牙科材料科学 牙科材料科学
• 医疗保健中的人工智能

背景情况:

• 精确的质深度分布 (EDD) 对于牙科程序至关重要,如术前设计,恢复预览和监测质磨损.
• 目前获得EDD的方法缺乏非侵入性和高效的功能.
• 口腔内扫描 (IOS) 为牙科诊断提供了一个有前途的非侵入性成像模式.

研究的目的:

• 开发一种机器学习 (ML) 框架,用于对面膜深度分布 (EDD) 的非侵入性和无辐射预测.
• 使用口腔内扫描 (IOS) 图像作为ML模型的输入来估计EDD.
• 为手术前设计,审美预览和质磨损监测提供一种新的方法.

主要方法:

• 一个机器学习框架是使用形束计算机断层扫描 (CBCT) 和来自200名志愿者的IOS图像开发的.
• 从唇膜表面提取了五维特征,并用于训练极端梯度增强 (XGB) 模型.
• 模型的准确性使用R平方和平均绝对误差 (MAE) 进行评估,并将预测与CBCT衍生的基本真理进行比较.

主要成果:

• XGB模型实现了高训练精度,平均R平方为0.926和MAE为0.080.
• 独立的验证证明了强大的EDD预测能力,没有明显偏离地面真相.
• 观察到较低的预测误差 (Frobenius标准:12.566-18.312),表明尽管IOS噪声小,但性能可靠.

结论:

• 初步验证证实了基于IOS的ML模型对高质量的EDD预测的有效性.
• 这种非侵入性,无辐射的方法显示出改善牙科诊断和治疗规划的潜力.
• 进一步的研究可以探索这种ML框架在牙科中的更广泛的临床应用.