机器学习方法克服了口内自由监测不平衡的临床数据
Hyounmin Kim1, Dongwook Kim2,3, Juho Bai4
1Department of Oral and Maxillofacial Surgery, Yonsei University College of Dentistry, Seoul, 03722, Republic of Korea.
Scientific reports
|October 7, 2025
概括
本研究引入了一种人工智能模型,用于定量监测口内自由,改善手术结果. 深度学习工具有助于及时做出决定,并简化对居民的护理.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 手术瘤学手术瘤学
背景情况:
- 在口腔内缺陷中,自由片的重建是至关重要的,但监测片的生存能力可能是具有挑战性的.
- 现有的监测方法往往是定性性的,对于初学者来说可能缺乏客观性.
- 片的故障可能导致严重的并发症,需要改进监控技术.
研究的目的:
- 开发一个用户友好的,基于人工智能的模型,用于定量评估口内自由状况.
- 提供一个客观和易于解释的工具,用于监测翻盖后重建的可行性.
- 为了减少与自由重建相关的并发症的发生率.
主要方法:
- 从131名患者 (2021年6月至2024年3月) 中分析了1877张口内自由图像.
- 开发一种包含类权重和焦点损失的深度学习模型,以处理数据不平衡 (少数血管损伤病例).
- 使用开发的AI模型对状况的定量评估.
主要成果:
- 人工智能模型实现了高性能,整体精度为0.9867和F1得分为0.9863.
- 通过深度学习证明了使用变化的定量测量的可行性.
- 该模型为监测自由重建提供了一种新的方法.
结论:
- 这是第一个专门为口内自由板设计的深度学习模型.
- 人工智能工具可以进行定量片评估,帮助外科医生及时做出救援决策.
- 该模型增强了居民护理人员的监测,可能改善患者的治疗结果并减少并发症.
