コンピューター

Scientific Reports volume 13、記事番号: 1561 (2023) この記事を引用

2555 アクセス

2 引用

8 オルトメトリック

メトリクスの詳細

現在の多段階のインビトロ研究では、歯科修復で使用する部分歯冠 (PDC) を生成するための 3 次元畳み込みニューラル ネットワーク (3D-CNN) を開発および検証しました。 3D-CNN の目的でデータを生成する際のデスクトップ レーザーと口腔内スキャナーの有効性が最初に評価されました (フェーズ 1)。 表面積 [t-stat(df) = − 0.01 (10)、平均差 = − 0.058、P > 0.99] および体積 [t-stat(df) = 0.357(10)] には有意差はありませんでした。 ただし、デスクトップレーザースキャン (322.70 ± 40.15 mm3) と比較して、より高いレベルの体積詳細情報 (343.83 ± 43.52 mm3) が生成されるため、口腔内スキャンがフェーズ 2 に選択されました。 フェーズ 2 では、120 個の歯のプレパラートが口腔内スキャンからデジタル合成され、2 人の臨床医がパーソナル コンピューター セットアップ上のコンピューター支援設計 (CAD) ワークフローを使用してそれぞれの PDC を設計しました。 3 因子 ANOVA による統計的比較により、表面積 (P < 0.001)、体積 (P < 0.001)、空間的重複 (P < 0.001) に有意な差があることが実証されたため、最も正確な PDC (n = 30) のみが選択されました。ニューラル ネットワークをトレーニングします (フェーズ 3)。 現在の 3D-CNN は、検証精度 60%、検証損失 0.68 ～ 0.87、感度 1.00、精度 0.50 ～ 0.83 を実現しており、3D-CNN が PDC プロテーゼを予測および生成できるという概念実証として機能します。歯科修復用のCADです。

人工知能 (AI) の開発は 1943 年に行われましたが、「人工知能」という用語は 1956 年にダートマスでのセッションで造られました1。この類似では、ディープ ラーニング、ニューラル ネットワーク、機械学習は AI のサブセットです。 機械は、人間による洞察がなくても、予測問題を解決するアルゴリズムの構築を通じて学習できます2。 使用されるニューラル ネットワーク (NN) は、学習と意思決定の特性において人間の脳を模倣した数学的非線形モデルであり、人間の認知スキルを刺激します3。 このような NN は、隠れ層を使用して複雑になる可能性があり、深層学習を使用してデータを処理する多層認識を表現および予測するようにトレーニングできます2。 畳み込みニューラル ネットワークと人工ニューラル ネットワークは、予防計画、重要な治療法、および治療費の予測においてデータを処理するために最もよく使用される設計です3。 近い将来を見据えると、このテクノロジーは、スマート アシスタント 4 の形でパブリック ドメイン内のさまざまな新しいアプリケーション領域の導入につながるでしょう。 恩恵を受ける分野の 1 つは、歯科医療の分野であり、当初は歯科スタッフによって行われていた日常業務の多様な機会が開かれ、治療の質が向上します 5,6。

アプリオリな AI モデルは、歯の準備やさまざまな補綴用途のマッピングと仕上げに一般的に使用されてきました。 コンピュータ支援設計法は、自動歯科修復物設計のための歯の解剖学的構造の選択にも使用されています。 金属フレームワークの鋳造の成功、歯の色合いの選択、および磁器の色合いのマッチングは、AI モデルの推奨機能です7。 間接修復、部分歯冠、または PDC (インレーおよびオンレー) は、最近「低侵襲歯科」運動で人気を集め始めています。 提案されている利点を強化するものとして、金とセラミックのアンレー準備を学部生が行った場合、同じ歯を完全にカバーする同等の準備と比較して冠状歯の構造の減少が大幅に少ないことが証明されています8,9。 市販のデジタル ソリューションはデジタル インレーやオンレーの準備のために歯科医に CAD 支援を提供しましたが、ほとんどの無料またはオープンソースの実装は、PDC10、11 とは対照的に、義歯やより大きな補綴物に対して文書化されていました。 さらに、文献によれば、デスクトップ レーザー スキャナと口腔内スキャナはどちらもそれ自体が正確なデバイスであり、特定の機能を効果的に実行できることが示唆されています 12、13、14。 ただし、文書には、PDC および機械学習の目的で歯の準備をデジタル的に記録するための入力データを記録するための理想的なデバイスが指定されていませんでした。 欠落している特定の文献を考慮して、オープンソース CAD 設計に関する以前のレポートが分析および修正され、現在の研究に適した新しい再構築ワークフローが開発されました。 ワークフローは改訂され、簡素化され、臨床デジタル化を歓迎する歯科医からよく報告される急な学習曲線を排除しました15、16、17。 したがって、歯科医が機械学習プロセスで使用されるデジタル PDC を CAD で設計することが適切であると考えられました。