人工智能在学习解剖学和恢复中央切口器:一项比较研究

科学领域:

• 牙科科学 牙科科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 牙创伤影响全球超过10亿人,影响口腔健康和美学,特别是在儿童中.
• 目前的修复工作包括紧急复合树脂工作和实验室制造的模型.
• 人工智能 (AI) 的进步为牙科修复程序提供了新的可能性.

研究的目的:

• 为了比较不同人工智能学习和重建中央切肢解剖学的方法的性能.
• 评估主要组件分析 (PCA) 和深度学习的签名距离函数 (DeepSDF) 模型的准确性和可解释性.

主要方法:

• 收集了来自三所大学的成熟永久大切口的STL文件.
• 经过训练的PCA和DeepSDF模型,执行三重交叉验证.
• 使用诸如表面/体积差异,长度,欧几里德/豪斯多夫距离和皇冠-根角等指标评估重建准确性.
• 使用特征贡献分析 (PCA) 和t-SNE (DeepSDF) 评估可解释性.

主要成果:

• 与PCA相比,DeepSDF在表面,体积和豪斯多夫距离指标上显示出明显更高的精度.
• DeepSDF的重建性能因潜在代码大小而异,更大的大小显示出更好的结果.
• DeepSDF对模型可解释性提出了担忧,而PCA的可解释性则通过特征贡献分析进行了评估.

结论:

• 无论是PCA还是DeepSDF都显示出学习和重建中央切肢解剖学的潜力,DeepSDF都表现出卓越的准确性.
• 未来的研究应该提高DeepSDF的可解释性,并将更广泛的微笑设计因素纳入临床信任.
• 这些人工智能方法的高性能表明,在微笑设计和口腔康复方面有潜在的临床应用.