Gumový úsměv a umělá

Mezi příčiny gumovitého úsměvu (GS) patří nadměrný vertikální vývoj přední maxily, hyperaktivita periorálních svalů způsobující nadměrnou zvýšení rtů během úsměvu a krátká délka klinické koruny. Krátká klinická délka koruny zvyšuje náchylnost k GS. Změněná pasivní erupce, zánět gingiválu a hyperplázie gingiválních přispívání přispívají ke snížené délce klinické koruny. Případy, kdy je vertikální dimenze zubů kratší než horizontální dimenze naznačují, že pasivní erupce přispívá k GS.

Rozsah GS není homogenní napříč všemi zuby zapojenými do úsměvu a často vyplývá z mnoha etiologických faktorů. Když je gingivální displej 3 mm, je přičítáno pouze nadměrné tkáni gingivá. Pokud je přítomno další 2,2 mm gingiválního displeje (3 mm + 2,2 mm), je považován za přispívající faktor svislý maxilární přebytek (VME). Když je pozorováno další 2,8 mm gingiválního displeje (3 mm + 2,2 mm + 2,8 mm), je zapojena hypermobilová (HM) ret. Například 3 mm GS přes maxilární levý centrální řezák může být způsoben samotným HM ret, zatímco ≥ 8 mm GS přes maxilární levý druhý premolar může být důsledkem kombinace HM rtu (2,8 mm), nadměrné gingivální tkáně ( 3 mm) a VME (2,2 mm). To zdůrazňuje důležitost měření GS na každé úrovni zubů pro přesnou diagnózu a osobní plánování léčby.

Posouzení asymetrického GS vyžaduje jednotlivá měření pro každý zub, což může zvýšit pravděpodobnost chyby a čas židle pro pacienta. Vzhledem k významu vědeckého výzkumu při identifikaci personalizovaných intervenčních strategií pro design estetického úsměvu by umělá inteligence (AI) mohla pomoci transformovat subjektivní povahu estetického vnímání na individualizovanou vědeckou platformu sledováním konkrétních referenčních parametrů. Použití přesných a platných měření při hodnocení GS může usnadnit diagnostiku, etiologické hodnocení a plánování léčby.

Stanovením komplexního datového souboru lze příspěvky různých etiologií analyzovat porovnáním měřených proměnných s ideálními referenčními hodnotami. Tímto přístupem lze dosáhnout pečlivé analýzy etiopatogenetických faktorů a závažnosti stavu. Předchozí výzkum naznačuje potřebu více studií ověřujících přesnost a citlivost diagnózy GS a její etiologické hodnocení.

K dnešnímu dni nebyla v literatuře nalezena žádná studie, která hodnotila gingivální displej pomocí AI. Na rozdíl od studií, které používají testovací datové sady nebo plně otevřený přístup k hodnocení přesnosti, jsou data získaná v tomto výzkumu odvozena výhradně z datového souboru školení. Pro optimalizaci validační strategie modelu AI byly vybrané klinické metriky měřeny samostatně pro každý zub zapojený do GS. Označování bylo provedeno pomocí licencované webové anotační platformy, která umožňuje více možností anotace.

Tato studie bude zahrnovat pacienty s linií s vysokým úsměvem, vybrané od těch, kteří se vztahují na oddělení periodontologie, stomatologické fakulty, Gazi University. Označování fotografií pacientů bude provádět dva vědci: periodololog a vedoucí odborník na umělou inteligenci (AI) a vývoj softwaru. Fotografie pacientů s gumovým úsměvem (GS) budou použity k vytvoření školení, ověřování a testovacích datových sad.

Byla použita jednoduchá metoda náhodného vzorkování s hladinou spolehlivosti 0,95, prevalencí 0,1 a rozpětím chyby 0,05. Tvorba těchto datových sad bude následovat níže uvedené kroky.

Byl proveden přehled literatury za účelem identifikace standardizačních metod měření viditelnosti gingiválu. Nebyl však nalezen žádný vládnoucí systém, který by umožňoval simultánní kalibraci a měření gingiválního displeje u zubů. V důsledku toho se objevila potřeba vyvinout systém pravítka navržený na míru speciálně pro tento výzkum.

Gingivální displej bude stanoven pomocí hybridního modelu. Proces tréninku bude zahrnovat přesnost pixelů (PA) a průměrné průsečíky oproti metrikám Union (Miou). Datový soubor bude rozdělen na podmnožiny tréninku, validace a testu. Obrázky podstoupí změnu změny, normalizace a transformaci na tenzor v rámci pracovního postupu předběžného zpracování