Sonrisa gomosa y ıntelligencia artificial

Entre las causas de la sonrisa de goma (GS) se encuentran el desarrollo vertical excesivo del maxilar anterior, la hiperactividad de los músculos periorales que causan elevación excesiva de los labios durante la sonrisas y la longitud clínica corta de la corona. La longitud clínica corta de la corona aumenta la susceptibilidad a GS. La erupción pasiva alterada, la inflamación gingival y la hiperplasia gingival contribuyen a una longitud de corona clínica reducida. Los casos en los que la dimensión vertical de los dientes es más corta que la dimensión horizontal sugieren que la erupción pasiva es un factor que contribuye a GS.

El alcance de GS no es homogéneo en todos los dientes involucrados en la sonrisa y, a menudo, resulta de múltiples factores etiológicos. Cuando la pantalla gingival es de 3 mm, se atribuye únicamente al tejido gingival excesivo. Si hay 2.2 mm adicionales de pantalla gingival (3 mm + 2.2 mm), el exceso maxilar vertical (VME) se considera un factor contribuyente. Cuando se observa una pantalla adicional de 2.8 mm de pantalla gingival (3 mm + 2.2 mm + 2.8 mm), está implicado el labio hipermóvil (HM). Por ejemplo, un GS de 3 mm sobre el incisivo central izquierdo maxilar puede deberse al labio HM solo, mientras que un GS ≥8 mM sobre el segundo premolar maxilar izquierdo puede ser el resultado de una combinación de labios HM (2.8 mM), tejido gingival excesivo ( 3 mm) y VME (2.2 mm). Esto resalta la importancia de medir GS en cada nivel del diente para un diagnóstico preciso y una planificación personalizada del tratamiento.

La evaluación de GS asimétrico requiere mediciones individuales para cada diente, lo que puede aumentar la probabilidad de errores y el tiempo de la silla del paciente. Dada la importancia de la investigación científica en la identificación de estrategias de intervención personalizada para el diseño de la sonrisa estética, la inteligencia artificial (IA) podría ayudar a transformar la naturaleza subjetiva de la percepción estética en una plataforma científica individualizada siguiendo parámetros de referencia específicos. El uso de mediciones precisas y válidas en la evaluación de GS puede facilitar el diagnóstico, la evaluación etiológica y la planificación del tratamiento.

Al establecer un conjunto de datos integral, las contribuciones de varias etiologías se pueden analizar comparando variables medidas con valores de referencia ideales. Un análisis meticuloso de los factores etiopatogenéticos y la gravedad de la afección se pueden lograr a través de este enfoque. Investigaciones anteriores indican la necesidad de más estudios que validan la precisión y la sensibilidad del diagnóstico de GS y su evaluación etiológica.

Hasta la fecha, no se ha encontrado ningún estudio en la literatura que evalúe la pantalla gingival usando AI. A diferencia de los estudios que usan conjuntos de datos de prueba o conjuntos de datos de acceso completo para la puntuación de precisión, los datos obtenidos en esta investigación se derivan exclusivamente de un conjunto de datos de capacitación. Para optimizar la estrategia de validación del modelo AI, las métricas clínicas seleccionadas se midieron por separado para cada diente involucrado en GS. El etiquetado se realizó utilizando una plataforma de anotación con licencia basada en la web que permite múltiples opciones de anotación.

Este estudio incluirá pacientes con una línea de sonrisa alta, seleccionados de aquellos que solicitan al Departamento de Periodontología, Facultad de Odontología, Universidad Gazi. El etiquetado de las fotografías de pacientes será realizado por dos investigadores: un periodontólogo y un experto senior en inteligencia artificial (IA) y desarrollo de software. Las fotografías de pacientes con sonrisa de goma (GS) se utilizarán para crear conjuntos de datos de entrenamiento, validación y prueba.

Se usó el método de muestreo aleatorio simple, con un nivel de confianza de 0.95, prevalencia de 0.1 y un margen de error de 0.05. La formación de estos conjuntos de datos seguirá los pasos descritos a continuación.

Se realizó una revisión de la literatura para identificar métodos de estandarización para las mediciones de visibilidad gingival. Sin embargo, no se encontró ningún sistema de regla que permita la calibración simultánea y la medición de la pantalla gingival en los dientes. En consecuencia, surgió la necesidad de desarrollar un sistema de regla diseñado a medida específicamente para esta investigación.

La pantalla gingival se determinará utilizando un modelo híbrido. El proceso de capacitación incluirá la precisión de los píxeles (PA) y las métricas medias de intersección sobre la Unión (Miou). El conjunto de datos se dividirá en subconjuntos de capacitación, validación y prueba. Las imágenes se someterán a cambiar el tamaño, la normalización y la transformación en tensores como parte del flujo de trabajo de preprocesamiento