Genauigkeit der künstlichen Intelligenz bei der Bewertung der Beziehung zwischen dem dritten Molaren des Unterkiefers und dem Kanal des Unterkiefers bei DVT

Die Extraktion des dritten Molaren im Unterkiefer, die als eine der häufigsten Operationen im Mund-, Kiefer- und Gesichtsbereich gilt, kann mit mehreren postoperativen Komplikationen wie Schmerzen, Blutungen, Schwellungen und Verletzungen oder vollständigen Schäden des Nervus alveolaris inferior (IAN) verbunden sein, die die Qualität beeinträchtigen des Lebens der betroffenen Patienten. Die Inzidenz vorübergehender IAN-Verletzungen, die durch die Extraktion des dritten Molaren im Unterkiefer verursacht wurden, betrug 0,4–8,4 %. während die Inzidenz von bleibenden Verletzungen weniger als 1 % beträgt [1, 2]. Aufgrund des hohen Auftretens von impaktierten dritten Molaren im Unterkiefer erleiden jedoch viele Patienten eine IAN-Verletzung, die durch die Extraktion impaktierter dritter Molaren im Unterkiefer verursacht wurde [3]. Der bedeutendste Risikofaktor für eine IAN-Verletzung durch die Extraktion des dritten Molaren im Unterkiefer ist die Nähe der Wurzel des dritten Molaren im Unterkiefer zum Mandibularkanal [1, 2, 4, 5]. Daher ist eine umfassende präoperative Analyse und Bewertung der anatomischen Strukturen vor der Extraktion eines impaktierten dritten Molaren im Unterkiefer unerlässlich, um das IAN-Verletzungsrisiko zu verringern.

Die Panorama-Radiographie zeigt aufgrund der Überlagerung und der inhärenten Einschränkungen die Beziehung zwischen der Extraktion des impaktierten dritten Molaren im Unterkiefer und der IAN nicht so genau. Die Genauigkeit der Vorhersage der Wahrscheinlichkeit der (IAN)-Verletzung während der Extraktion des impaktierten dritten Molaren im Unterkiefer anhand von Panorama-Röntgenaufnahmen war umstritten [6].

Die Kegelstrahl-Computertomographie (CBCT), eine (3D)-Bildgebungsmodalität, liefert genaue 3D-Informationen mit einer geringeren Strahlendosis als die medizinische CT [7]. Es wurde gezeigt, dass die CBCT eine bessere und genauere radiologische Methode zur Beurteilung der Beziehung zwischen dem dritten Molaren des Unterkiefers und (IAN) ist als die Panorama-Radiographie [6, 8]. Daher wurde das CBCT als Methode der Wahl für die präoperative Beurteilung einer komplizierten Extraktion des dritten Molaren im Unterkiefer angesehen [9].

Deep Learning, eine der Untergruppen der künstlichen Intelligenz, hat sich schnell entwickelt und spielt eine bedeutende Rolle in medizinischen Bereichen. Eines der Deep-Learning-Modelle, das geführte Lernen des Convolutional Neural Network (CNN), wird kürzlich untersucht, das nachweislich das menschliche Urteilsvermögen in vielen Bereichen der medizinischen Bildgebung übertrifft [12, 13]. Nachdem CNN im maxillofazialen Bereich eingeführt wurde, wurde es zur Bewertung, Erkennung, Kategorisierung und Segmentierung der umgebenden anatomischen Strukturen verwendet [14-18]. Kürzlich wurde Deep Learning auf der Grundlage von CNN-Modellen für den betroffenen dritten Molaren und Unterkiefer des Unterkiefers verwendet Kanaldetektion und -segmentierung auf Panorama-Röntgenbildern und CBCT [15, 18, 30], die Klassifikation und Stadieneinteilung der Entwicklung [31, 32] und die Annäherungsmessungen des impaktierten dritten Unterkiefermolaren auf Panorama-Röntgenbildern [33]. Fukudaet al. verglichen 3 CNNs zur Klassifizierung des impaktierten dritten Molaren des Unterkiefers und der Verbindung des Unterkieferkanals mit Panorama-Röntgenaufnahmen [34]. Yooet al. schlugen einen CNN-basierten Ansatz vor, um das Patt bei der Extraktion des betroffenen dritten Molaren im Unterkiefer anhand von Panorama-Röntgenaufnahmen zu beurteilen [35]. Wie bereits erwähnt, kann die Panorama-Radiographie die anatomischen Strukturen aufgrund der Überlagerung, die bei den (2D-)Bildgebungsmodalitäten auftritt, nicht genau beschreiben. Orhanet al. berichteten über eine KI-Anwendung (Diagnocat, Inc.) auf der Basis von CNN mit hoher Präzision bei der Erkennung des M3 und der Bewertung der Anzahl der Wurzeln in Bezug auf benachbarte anatomische Strukturen