Mesterséges intelligencia által tervezett egyfogú fogpótlások

Célok:

1. Négy mély tanulási módszer/algoritmus összehasonlítása a 3D modellek jellemzőinek értelmezésében és tanulásában;
2. Összehasonlítani az AI-rendszert önmagában a maxilláris fog modellel a maxilláris és mandibuláris (antagonista) modellekkel;
3. A képzett mesterséges intelligencia és fogtechnikusok által tervezett egyfogú fogpótlások okklúziós morfológiájának és 3D helyzetének összehasonlítása.

Mód:

Először is, a kutatók 200 maxilláris fogazat modellt gyűjtenek össze képzési modellként. A mesterséges intelligencia megtanulja az egyes fogak és a fog többi része közötti kapcsolatot a 3D Generatív Adversarial Network (GAN) segítségével, mély tanulási módszerek/algoritmusok követésével:

1. csoport) Voxel alapú; 2. csoport) Nézetalapú; 3. csoport) Pontalapú; és 4. csoport) Fúziós módszerek. A kutatók további 100 maxilláris modellt gyűjtenek össze, amelyek validációs modellként szolgálnak. A nyomozók minden modellben eltávolítanak egy fogat (kontrollként működnek). Ezután a kutatók értékelni fogják ezeket a mély tanulási algoritmusokat az egyetlen hiányzó fog okklúziós morfológiájának és 3D-s helyzetének előrejelzésében.

Másodszor, a kutatók 100 validációs modellben értékelik az antagonista modell szükségességét az egyetlen hiányzó fog okklúziós morfológiájának és 3D helyzetének előrejelzésében:

Az i) csoport csak maxilláris modellt és a ii) csoport antagonista modellt alkalmaz, az (1) célkitűzésben tesztelt mélytanulási algoritmust alkalmazva.

Harmadszor, a kutatók elemzik a következő által tervezett fogpótlások geometriai morfometriai és 3D helyzetét:

a) csoport a betanított AI-rendszer; b) csoport fogtechnikusok fizikai modelleken; és c) csoport CAD szoftvert használó fogtechnikusok. A kutatók ezeket a fogakat összehasonlítják a megfelelő természetes fogakkal (kontroll) 100 validációs modellben.

Ezen túlmenően a vizsgálók másodlagos eredményként elemzik a fogak megtervezéséhez szükséges időt ezekben a csoportokban.