Přesnost umělé inteligence při hodnocení vztahu mezi třetím molárem a mandibulárním kanálem na CBCT

Extrakce třetího moláru dolní čelisti, která je považována za jednu z nejčastějších operací v oblasti ústní a čelistní, může být spojena s několika pooperačními komplikacemi, jako je bolest, krvácení, otok a poranění nebo úplné poškození nervu alveolar inferior (IAN), které zhoršuje kvalitu života postižených pacientů. Incidence dočasného poranění IAN způsobené extrakcí třetího moláru dolní čelisti byla 0,4–8,4 %, přičemž výskyt trvalého poranění je menší než 1 % [1, 2]. Vzhledem k vysokému výskytu impaktovaného třetího moláru dolní čelisti však velký počet pacientů trpí poraněním IAN způsobeným extrakcí impaktovaného třetího moláru dolní čelisti [3]. Nejvýznamnějším rizikovým faktorem poranění IAN způsobené extrakcí třetího moláru dolní čelisti je blízkost kořene třetího moláru dolní čelisti k mandibulárnímu kanálu [1, 2, 4, 5]. Komplexní předoperační analýza a zhodnocení anatomických struktur jsou tedy nezbytné před impaktovanou extrakcí třetího moláru dolní čelisti, aby se snížilo riziko poranění IAN.

Panoramatická radiografie není tak přesná v zobrazení vztahu mezi impaktovanou extrakcí třetího moláru dolní čelisti a IAN kvůli superpozici a inherentním omezením. Přesnost predikce pravděpodobnosti (IAN) poranění během impaktované extrakce třetího moláru dolní čelisti pomocí panoramatických rentgenových snímků byla kontroverzní [6].

Cone beam computing tomography (CBCT), A (3D) zobrazovací modalita, poskytuje přesné 3D informace se sníženou dávkou záření než lékařské CT [7]. Bylo prokázáno, že CBCT je lepší a přesnější radiografická metoda než panoramatická radiografie pro hodnocení vztahu mezi mandibulárním třetím molárem a (IAN) [6, 8]. CBCT byla proto považována za modalitu volby pro předoperační hodnocení komplikované extrakce třetího moláru dolní čelisti [9].

Hluboké učení, jedna z podmnožin umělé inteligence, mělo rychlý vývoj a hraje významnou roli v lékařských oborech. Nedávno byl zkoumán jeden z modelů hlubokého učení, řízené učení konvoluční neuronové sítě (CNN), u kterého bylo prokázáno, že překonává úroveň lidského úsudku v mnoha oblastech lékařského zobrazování [12, 13]. Poté, co byla CNN zavedena do maxilofaciálního pole, byla použita pro hodnocení, detekci, kategorizaci a segmentaci okolních anatomických struktur [14-18 V poslední době se hluboké učení založené na modelech CNN používá pro impaktovaný třetí molár dolní čelisti a dolní čelist. detekce a segmentace kanálu na panoramatických rentgenových snímcích a CBCT [15, 18, 30], klasifikace a staging vývoje [31, 32] a aproximační měření impaktovaného třetího moláru dolní čelisti na panoramatických rentgenových snímcích [33]. Fukuda a kol. porovnali 3 CNN pro klasifikaci vztahu zasaženého třetího moláru dolní čelisti a mandibulárního kanálu s panoramatickými rentgenovými snímky [34]. Yoo a kol. navrhl přístup založený na CNN k posouzení patové situace ovlivněné extrakce třetího moláru dolní čelisti pomocí panoramatických rentgenových snímků [35]. Takže, jak bylo zmíněno dříve, panoramatická radiografie nemůže přesně popsat anatomické struktury kvůli superpozici, ke které dochází ve (2D) zobrazovacích modalitách. Orhan a kol. oznámili aplikaci AI (Diagnocat, Inc.) založenou na CNN s vysokou přesností při detekci M3 a hodnocení počtu kořenů souvisejících s přilehlými anatomickými strukturami