Tekoälyn tarkkuus arvioitaessa alaleuan kolmannen poskihaavan ja alaleuan kanavan välistä suhdetta CBCT:ssä

Alaleuan kolmannen poskihampaiden poisto, jota pidetään yhtenä yleisimmistä leikkauksista suu- ja leukakentällä, siihen voi liittyä useita postoperatiivisia komplikaatioita, kuten kipua, verenvuotoa, turvotusta ja alemman alveolaarisen hermon (IAN) vauriota tai täydellistä vauriota, mikä heikentää laatua. sairastuneiden potilaiden elämästä. Alaleuan kolmannen poskiuuton aiheuttaman tilapäisen IAN-vamman ilmaantuvuus oli 0,4-8,4 %. kun taas pysyvien vammojen ilmaantuvuus on alle 1 % [1, 2]. Koska alaleuan kolmatta poskihammaa on kuitenkin esiintynyt paljon, suuri osa potilaista kärsii IAN-vauriosta, joka johtuu törmäyksestä alaleuan kolmatta poskihammasta [3]. Merkittävin riskitekijä alaleuan kolmannen poskihampaiden poiston aiheuttamassa IAN-vauriossa on alaleuan kolmannen poskihaavan juuren läheisyys alaleuan kanavaan [1, 2, 4, 5]. Joten kattava preoperatiivinen analyysi ja anatomisten rakenteiden arviointi ovat välttämättömiä ennen törmäystä alaleuan kolmannen poskiuutteen poistamiseksi IAN-vaurioriskin vähentämiseksi.

Panoraamaröntgenkuvaus ei ole kovinkaan tarkka näyttäessään törmänneen alaleuan kolmannen poskiuutteen ja IAN:n välistä suhdetta päällekkäisyyden ja luontaisten rajoitusten vuoksi. Tarkkuus ennustaa (IAN) vamman todennäköisyydellä törmänneen alaleuan kolmannen poskiuutteen aikana käyttämällä panoraamaröntgenkuvia oli kiistanalainen [6].

Kartiokuihkutietokonetomografia (CBCT), A (3D)-kuvausmenetelmä, tarjoaa tarkkoja 3D-tietoja pienemmällä säteilyannoksella kuin lääketieteellinen CT [7]. Osoitettiin, että CBCT oli panoraamaradiografiaa parempi ja tarkempi radiografinen menetelmä alaleuan kolmannen poskihaavan ja (IAN) välisen suhteen arvioimiseksi [6, 8]. Siksi CBCT:tä on pidetty valintamenetelmänä monimutkaisen alaleuan kolmannen poskiuuton preoperatiivisessa arvioinnissa [9].

Syväoppiminen, yksi tekoälyn alaryhmistä, eteni nopeasti ja sillä on merkittävä rooli lääketieteen aloilla. Äskettäin on tutkittu yhtä syväoppimisen malleista, konvoluutiohermoverkon (CNN) ohjattua oppimista, jonka on todistettu ylittävän ihmisen arvostelukyvyn monilla lääketieteellisen kuvantamisen aloilla [12, 13]. Kun CNN oli otettu käyttöön leuka- ja kasvokentässä, sitä käytettiin ympäröivien anatomisten rakenteiden arviointiin, havaitsemiseen, luokitteluun ja segmentointiin [14-18 Viime aikoina CNN-malleihin perustuvaa syväoppimista on käytetty törmäyksen saaneeseen alaleuan kolmanteen poskihaavaan ja alaleuan. kanavan havaitseminen ja segmentointi panoraamaröntgenkuvissa ja CBCT:ssä [15, 18, 30], kehityksen luokittelu ja vaiheistus [31, 32] ja likimääräiset mittaukset törmäyksestä alaleuan kolmannesta poskihamasta panoraamaröntgenkuvissa [33]. Fukuda et ai. verrattiin kolmea CNN:tä vaurioituneen alaleuan kolmannen poskihaavan ja alaleuan kanavasuhteen luokittelussa panoraamaröntgenkuviin [34]. Yoo et ai. ehdotti CNN-pohjaista lähestymistapaa umpikujaan kohdistuneen alaleuan kolmannen poskiuutteen arvioimiseksi käyttämällä panoraamaröntgenkuvia [35]. Joten, kuten aiemmin mainittiin, panoraamaradiografia ei pysty kuvaamaan tarkasti anatomisia rakenteita (2D) kuvantamismenetelmissä tapahtuvan päällekkäisyyden vuoksi. Orhan et ai. raportoi CNN:ään perustuvasta tekoälysovelluksesta (Diagnocat, Inc.), joka havaitsi erittäin tarkasti M3:n ja arvioi viereisiin anatomisiin rakenteisiin liittyvien juurien lukumäärän