Gummy smil og kunstig ıntelligence

Blandt årsagerne til gummy smil (GS) er overdreven lodret udvikling af den forreste maxilla, hyperaktivitet af periorale muskler, der forårsager overdreven læbehøjde under smilende og kort klinisk kronelængde. Kort klinisk kronelængde øger modtageligheden for GS. Ændret passiv udbrud, tandkødsbetændelse og gingival hyperplasi bidrager til en reduceret klinisk kronelængde. Tilfælde, hvor den lodrette dimension af tænderne er kortere end den vandrette dimension antyder, at passivt udbrud er en medvirkende faktor til GS.

Omfanget af GS er ikke homogen på tværs af alle tænder involveret i smilet og er ofte resultatet af flere etiologiske faktorer. Når gingival -displayet er 3 mm, tilskrives det udelukkende til overdreven tandkødsvæv. Hvis der er yderligere 2,2 mm tandkødsdisplay (3 mm + 2,2 mm), betragtes lodret maxillært overskud (VME) som en medvirkende faktor. Når der observeres yderligere 2,8 mm tandkødsdisplay (3 mm + 2,2 mm + 2,8 mm), er hypermobile (HM) læbe impliceret. For eksempel kan en 3 mm GS over den maxillære venstre centrale forænder skyldes HM -læbe alene, medens en ≥8 mm GS over den maxillære venstre anden premolar kan være resultatet af en kombination af HM LIP (2,8 mm), overdreven gingivalvæv ( 3 mm) og VME (2,2 mm). Dette fremhæver vigtigheden af ​​at måle GS på hvert tandniveau for nøjagtig diagnose og personlig behandlingsplanlægning.

Evaluering af asymmetrisk GS kræver individuelle målinger for hver tand, hvilket kan øge fejlen sandsynlighed og patientstoltid. I betragtning af betydningen af ​​videnskabelig forskning i identificering af personaliserede interventionsstrategier for estetisk smildesign, kunne kunstig intelligens (AI) hjælpe med at omdanne den subjektive karakter af estetisk opfattelse til en individualiseret, videnskabelig platform ved at følge specifikke referenceparametre. Brugen af ​​præcise og gyldige målinger i GS -evaluering kan lette diagnose, etiologisk vurdering og behandlingsplanlægning.

Ved at etablere et omfattende datasæt kan bidrag fra forskellige etiologier analyseres ved at sammenligne målte variabler med ideelle referenceværdier. En omhyggelig analyse af etiopatogenetiske faktorer og sværhedsgraden af ​​tilstanden kan opnås gennem en sådan tilgang. Tidligere forskning viser et behov for flere undersøgelser, der validerer nøjagtigheden og følsomheden af ​​GS -diagnose og dens etiologiske vurdering.

Til dato er der ikke fundet nogen undersøgelse i litteraturen, der evaluerer gingival -display ved hjælp af AI. I modsætning til undersøgelser, der bruger testdatasæt eller helt åbne adgangsdatasæt til nøjagtighedsscoring, er de data, der er opnået i denne forskning, udelukkende afledt af et træningsdatasæt. For at optimere valideringsstrategien for AI -modellen blev udvalgte kliniske målinger målt separat for hver tand involveret i GS. Mærkning blev udført ved hjælp af en licenseret webbaseret annotationsplatform, der giver mulighed for flere annotationsmuligheder.

Denne undersøgelse vil omfatte patienter med en høj smilelinie, valgt blandt dem, der ansøger om Department of Periodontology, Fakultet for Tandlæge, Gazi -universitetet. Mærkningen af ​​patientfotografier udføres af to forskere: en periodontolog og en senior ekspert inden for kunstig intelligens (AI) & softwareudvikling. Fotografier af patienter med Gummy Smile (GS) vil blive brugt til at skabe træning, validering og testdatasæt.

Den enkle tilfældige prøveudtagningsmetode blev anvendt med et konfidensniveau på 0,95, forekomst på 0,1 og en fejlmargin på 0,05. Dannelsen af ​​disse datasæt følger nedenstående trin.

Der blev foretaget en litteraturgennemgang for at identificere standardiseringsmetoder til måling af tandkødets synlighed. Imidlertid blev der ikke fundet noget herskersystem, der muliggør samtidig kalibrering og måling af tandkødsdisplay i tænder. Derfor opstod behovet for at udvikle et specialdesignet linealsystem specifikt til denne forskning.

Gingival -display bestemmes ved hjælp af en hybridmodel. Uddannelsesprocessen vil omfatte pixelnøjagtighed (PA) og gennemsnitligt kryds over Union (MIOU) målinger. Datasættet vil blive opdelt i træning, validering og testundersæt. Billeder vil gennemgå størrelse, normalisering og omdannelse til tensorer som en del af forarbejdning af arbejdsgang