人工智能驱动的CBCT分析用于手术决策和粘膜损伤预测,用于低RBH患者的鼻起重手术
Yinxin Deng1, Yilin He2, Changying Liu2
1Dental Implant Center, Beijing Stomatological Hospital, School of Stomatology, Capital Medical University, Beijing, China; Department of Stomatology, Beijing Hospital of Integrated Traditional Chinese and Western Medicine, Beijing, China.
International dental journal
|October 3, 2025
概括
这项研究开发了一种深度学习系统,用于上鼻腔床升高手术 (MSFE),改善手术决策和预测粘膜层穿孔风险. 3D模型为复杂的案例提供了一个客观的工具.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 在残余骨高度小于4毫米的患者中,大鼻床升高 (MSFE) 构成了外科手术的挑战.
- 目前的决策依赖于主观的医生经验,缺乏标准化.
- 精准医学需要客观的工具来选择手术方法和预测并发症.
研究的目的:
- 开发用于MSFE手术的智能3D深度学习系统.
- 为了优化外科手术程序的选择.
- 为了预测手术内粘膜穿孔的风险.
主要方法:
- 追溯分析79名患者的形光束计算机断层扫描 (CBCT) 数据.
- 构建一个包含注意力机制和深度可分离的卷积的3D深度学习模型.
- 使用多个数据集与注意力热图可视化进行模型训练和验证.
主要成果:
- 对于程序决策,EfficientNet模型获得了F1评分0.6的结果.
- 该ResNet模型显示高精度 (0.8485) 和F1得分 (0.7273) 粘膜孔穿孔预测.
- 3D卷积模型在预测粘膜孔穿孔方面显示了增强的准确性,稳定性和概括能力.
结论:
- 这是MSFE决策和并发症预测的第一个3D深度学习模型.
- 该系统为临床决策提供了客观的基础,增强了标准化.
- 该模型显示了在复杂的MSFE病例中临床应用的巨大潜力.
