Актуальность
Заболевания полости рта, возраст, травмы способствуют повреждению и потере зубов. Реставрация зубов является одним из основных вопросов стоматологиии, и она часто выполняется при участии зубного техника. Для выполнения качественных реставраций очень важно воссоздание корректной и эстетичной морфологии. Современные компьютерные технологии могут способствовать ускорению процесса создания нужных форм и признаков зубов.
Во всем мире существует два вида инженерных процессов: прямой и обратный инжиниринг. К прямому относятся компьютерное проектирование (CAD), компьютерная инженерия (CAE) и компьютерное производство (CAM). Обратный использует преобразованные в файл данные цифрового сканирования с возможностью последующего создания реального продукта с помощью 3D печати[1-3*].
В настоящее время искусственный интеллект (ИИ) используется во многих сферах, включая роботехнику, экономику, политику, системы управления и моделирования [9-16*]. В стоматологии ИИ используется в ортогнатической хирургии для сегментации зубов с помощью рентгеновских снимков, оценки периапикальных поражений, визуализации челюстно-лицевой области и не только [7-30*].
Машинное обучение (ML) – область ИИ, которая фокусируется на создании систем, способных повышать свою производительность на основе используемых данных.
Разработка морфологии зуба, отвечающей функциональным и эстетическим требованиям, в сочетании с CAM/CAD изготовлением и 3D печатью значительно повысит эффективность всего процесса изготовления зубных протезов, а также позволит компьютеру автоматически создавать правильную морфологию зуба.
Цель
Целью исследования являлось совершенствование процесса внедрения цифровых технологий и разработка морфологии зуба, отвечающей функциональным и эстетическим требованиям, которую компьютер может автоматически сгенерировать.
Материалы и методы
В исследовании обрабатывались данные сканирования 621 модели зуба, сделанных вручную из гипса: 121(зуб 1.5), 342(зуб 1.6), 69(зуб 2.1), 89(зуб 4.3).
Этапы создания морфологии зубов с помощью ML ИИ включали: подбор зубов, сканирование для получения данных о форме, использование математических методов и программного обеспечения, машинное обучение.
Для оценки эффективности алгоритма обучения использовались матрица ошибок, метрики точности и запоминания, F-1 мера, микро- и макро-усреднение, метрика AUC (Area Under the ROCCurve).
Результаты
Коэффициент точности и частота повторения микро-и макро-усреднения составили 0.75/0.73 и 0.75/0.72 соответственно.
При введении в программу свежей фотографии, текущая эффективность ML для оценки качества морфологии зуба составляла 70-75%.
При оценке точности морфологии с помощью AUC с построением ROC-кривой (Receiver Operating Characteristic) получены аналогичные значения.
Выводы
При введении в программу свежей фотографии текущая эффективность оценки качества морфологии зубов ML составляет 70-75%. Как концепция микро-/макро-усреднения, так и AUC показали аналогичные значения. ML может помочь зубным техникам повысить эффективность изучения морфологии зубов.
*Указатели ссылок в квадратных скобках соответствуют списку литературы в первоисточнике.