评估基于人工智能的牙敲击信号查概念对牙的管理可行性:一个in silico研究

科学领域:

• 生物医学工程 生物医学工程
• 计算式牙科 计算式牙科
• 医疗保健中的机器学习

背景情况:

• 早期检测牙损伤对于有效的口腔健康管理至关重要.
• 目前的放射学等方法在高通量或资源有限的环境中存在局限性.
• 需要辅助选概念来支持分选决策.

研究的目的:

• 通过in silico模拟来评估模拟的牙打击响应信号是否包含足够的信息来检测.
• 评估可扩展的基于打击力的选概念的技术先决条件.
• 为了确定机器学习是否可以从模拟的打击声信号来分类的阶段.

主要方法:

• 开发了牙敲击的 in silico 模型,将牙结构表示为一个分层的机械系统.
• 通过改变材料属性 (刚性,质量,阻尼) 模拟各种条件.
• 训练有素的机器学习模型使用Mel-frequency cepstral coefficient (MFCC) 的特征来分类健康,质,牙.

主要成果:

• 在基线条件下,分类器实现了高精度 (0.97),区分了健康的牙和牙的阶段.
• 性能随着噪声和结构变化增加而逐渐下降,达到~0.90准确度.
• 结果表明,对于查级别的分拣,存在歧视性信息,区分高风险类别.

结论:

• 模拟的牙打击响应信号显示了查牙损伤的歧视性模式.
• 结果确定了基于打击力的查作为临床评估的辅助的技术可信性.
• 需要进一步的临床验证和实施研究来评估运营效益.