基于解剖学的多任务深度学习放射学Nomogram预测了鼻地板高度的植入物失败风险
Yujie Zhu1,2,3, Yang Liu1,2,3,4, Yue Zhao4
1Stomatological Hospital of Chongqing Medical University, Chongqing, China.
Clinical oral implants research
|July 24, 2025
概括
这项研究引入了一个人工智能系统,用于预测在鼻床升高手术前牙植入物失败. 基于解剖学的多任务深度学习放射学诺米克图 (AMDRN) 系统准确地对关键结构进行细分,并预测故障风险,帮助个性化治疗.
科学领域:
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 上鼻腔地面升高 (MSFE) 对于牙植入物放置至关重要.
- 在手术前预测植入物失败风险对于成功的结果至关重要.
- 目前的方法在识别与MSFE相关的风险因素方面缺乏准确性.
研究的目的:
- 开发和评估一个基于解剖学的多任务深度学习放射学名图 (AMDRN) 系统.
- 在MSFE之前预测植入器失效的风险.
- 整合关键解剖结构的自动细分,以提高预测.
主要方法:
- 形束计算断层扫描 (CBCT) 图像和电子病历 (EMR) 的回顾性收集.
- 使用nn-UNet v2进行上鼻腔,施耐德膜和残留膜骨的自动细分.
- 开发了用于特征提取的3D-Attention-ResNet和放射学模型,与临床数据集成到AMDRN模型中.
主要成果:
- 对于大鼻腔 (99.50%),残留膜骨 (92.53%),和施奈德尔膜 (91.58%),实现了高细分精度.
- 与单个模型相比,AMDRN模型显示出更高的预测准确性 (90%) 和AUC (93%).
- 临床,放射学和3D-DL模型的预测准确率分别为60%,76%和82%.
结论:
- 该AMDRN系统提供高效和准确的术前预测植入物失效风险在MSFE.
- 关键解剖结构的自动细分增强了预测能力.
- 该系统支持个性化治疗规划和改善MSFE程序的临床风险管理.
