Kunstig intelligens designet enkelttands tandproteser

Mål:

1. At sammenligne fire deep-learning metoder/algoritmer i fortolkning og indlæring af funktionerne i 3D-modeller;
2. At sammenligne AI-systemet med maksillære tandmodeller alene med maksillære og mandibulære (antagonist) modeller;
3. At sammenligne den okklusale morfologi og 3D-positionen af ​​enkelttands tandproteser designet af uddannet AI og af tandteknikere.

Metoder:

For det første vil efterforskerne indsamle 200 maksillære dentate-tændermodeller som træningsmodeller. AI vil lære forholdet mellem individuelle tænder og resten af ​​tandsættet ved hjælp af 3D Generative Adversarial Network (GAN) ved at følge deep-learning metoder/algoritmer:

Gruppe 1) Voxel-baseret; Gruppe 2) Visningsbaseret; Gruppe 3) Punktbaseret; og gruppe 4) Fusionsmetoder. Efterforskere vil indsamle yderligere 100 overkæbemodeller, der fungerer som valideringsmodeller. Efterforskere vil fjerne en tand (fungere som kontrol) i hver model. Derefter vil efterforskere evaluere disse dybe læringsalgoritmer til at forudsige den okklusale morfologi og 3D-positionen af ​​en enkelt manglende tand.

For det andet vil efterforskere evaluere behovet for en antagonistmodel til at forudsige den okklusale morfologi og 3D-positionen af ​​en enkelt manglende tand i 100 valideringsmodeller:

Gruppe i) kun overkæbemodel og gruppe ii) med antagonistmodel ved hjælp af den testede dyb-læringsalgoritme i objektiv (1).

For det tredje vil efterforskere analysere den geometriske morfometriske og 3D-position af tandproteser designet af:

Gruppe a) det trænede AI-system; Gruppe b) tandteknikere på de fysiske modeller; og gruppe c) tandteknikere, der anvender CAD-software. Efterforskere vil sammenligne disse tænder med de tilsvarende naturlige tænder (kontrol) i 100 valideringsmodeller.

Endvidere vil efterforskere analysere den tid, der kræves til tanddesign i disse grupper som sekundært resultat.