Nøjagtighed af kunstig intelligens i evaluering af forholdet mellem mandibular tredje molar og mandibular kanal på CBCT

Den mandibular tredje molar ekstraktion, betragtes som en af ​​de mest almindelige operationer inden for oral og maxillofacial område, den kan være forbundet med adskillige postoperative komplikationer, såsom smerte, blødning, hævelse og inferior alveolar nerve (IAN) skade eller fuldstændig skade, hvilket forringer kvaliteten af de ramte patienters liv. Incidensen af ​​midlertidig IAN-skade forårsaget af mandibular tredje molær ekstraktion var 0,4-8,4 %, mens forekomsten af ​​varigt mén er mindre end 1 % [1, 2]. Men på grund af den høje forekomst af ramt mandibular tredje molar lider et stort antal patienter af IAN-skade forårsaget af påvirket mandibular tredje molar ekstraktion [3]. Den mest signifikante risikofaktor for IAN-skade forårsaget af ekstraktion af underkæbe tredje molar er nærheden af ​​roden af ​​den tredje molar underkæbe til underkæbekanalen [1, 2, 4, 5]. Så omfattende præoperativ analyse og evaluering af de anatomiske strukturer er afgørende før påvirket mandibular tredje molar ekstraktion for at mindske risikoen for IAN-skade.

Panoramaradiografien er ikke så nøjagtig til at vise forholdet mellem påvirket mandibular tredje molar ekstraktion og IAN på grund af overlejring og iboende begrænsninger. Nøjagtigheden af ​​at forudsige sandsynligheden for (IAN) skade under den påvirkede mandibular tredje molar ekstraktion ved hjælp af panorama røntgenbilleder var kontroversiel [6].

Cone beam computed tomography (CBCT), A (3D) billeddannelsesmodalitet, giver nøjagtig 3D-information med reduceret strålingsdosis end medicinsk CT [7]. Det blev påvist, at CBCT var en bedre og præcis radiografisk metode end panoramisk radiografi til at evaluere sammenhængen mellem mandibular tredje molar og (IAN) [6, 8]. Således er CBCT blevet betragtet som den foretrukne modalitet til præoperativ vurdering af kompliceret mandibular tredje molær ekstraktion [9].

Dyb læring, en af ​​undergrupperne af kunstig intelligens, havde en hurtig progression og har en væsentlig rolle inden for medicinske områder. En af de dybe læringsmodeller, guidet læring af det konvolutionelle neurale netværk (CNN), er for nylig undersøgt, som har vist sig at overgå det menneskelige dømmende niveau inden for mange medicinske billeddannelsesfelter [12, 13]. Efter at CNN blev introduceret til maxillofacial-feltet, blev det brugt til vurdering, påvisning, kategorisering og segmentering af de omgivende anatomiske strukturer [14-18] For nylig er deep learning baseret på CNN-modeller blevet brugt til den påvirkede mandibular tredje molar og mandibular kanaldetektion og segmentering på panorama-røntgenbilleder og CBCT [15, 18, 30], klassificeringen og iscenesættelsen af ​​udvikling [31, 32] og tilnærmelsesmålingerne af den påvirkede mandibular tredje molar på panorama-røntgenbilleder [33]. Fukuda et al. sammenlignede 3 CNN'er for klassificering af den påvirkede mandibular tredje molar og mandibular kanal relation med panorama røntgenbilleder [34]. Yoo et al. foreslået en CNN-baseret tilgang til at vurdere dødvandet af den påvirkede mandibular tredje molar ekstraktion ved hjælp af panorama røntgenbilleder [35]. Så, som nævnt før, kan panoramisk radiografi ikke nøjagtigt beskrive de anatomiske strukturer på grund af den overlejring, der sker i (2D) billeddannelsesmodaliteter. Orhan et al. rapporterede en AI-applikation (Diagnocat, Inc.) baseret på CNN med høj præcision i detektering af M3 og vurdering af antallet af rødder relateret til tilstødende anatomiske strukturer