Nauwkeurigheid van kunstmatige intelligentie bij de evaluatie van de relatie tussen mandibulaire derde kies en mandibulaire kanaal op CBCT

De extractie van de derde molaar in de onderkaak, beschouwd als een van de meest voorkomende operaties in het orale en maxillofaciale veld, kan gepaard gaan met verschillende postoperatieve complicaties, zoals pijn, bloeding, zwelling en verwonding of volledige schade van de nervus alveolaris inferior (IAN), waardoor de kwaliteit wordt aangetast van het leven van de getroffen patiënten. De incidentie van tijdelijk IAN-letsel veroorzaakt door extractie van de derde kies van de onderkaak was 0,4-8,4%, terwijl de incidentie van blijvend letsel minder is dan 1% [1, 2]. Vanwege het hoge aantal gevallen van geïmpacteerde derde molaar in de onderkaak, lijdt een groot aantal patiënten aan IAN-letsel veroorzaakt door geïmpacteerde derde molaarextractie [3]. De belangrijkste risicofactor van IAN-letsel veroorzaakt door extractie van de derde molaar in de onderkaak is de nabijheid van de wortel van de derde kies in de onderkaak tot het mandibulaire kanaal [1, 2, 4, 5]. Uitgebreide preoperatieve analyse en evaluatie van de anatomische structuren zijn dus essentieel voordat de extractie van de derde molaar in de onderkaak wordt beïnvloed om het risico op IAN-letsel te verminderen.

De panoramische radiografie is niet zo nauwkeurig in het weergeven van de relatie tussen geïmpacteerde mandibulaire derde kiesextractie en IAN vanwege de superpositie en inherente beperkingen. De nauwkeurigheid van het voorspellen van de waarschijnlijkheid van de (IAN) verwonding tijdens de geïmpacteerde mandibulaire derde kiesextractie met behulp van panoramische röntgenfoto's was controversieel [6].

Cone beam computertomografie (CBCT), een (3D) beeldvormingsmodaliteit, biedt nauwkeurige 3D-informatie met een lagere stralingsdosis dan medische CT [7]. Er werd aangetoond dat CBCT een betere en nauwkeurige radiografische methode was dan panoramische radiografie voor het evalueren van de relatie tussen mandibulaire derde molaar en (IAN) [6, 8]. Zodat CBCT wordt beschouwd als de modaliteit bij uitstek voor preoperatieve beoordeling van gecompliceerde mandibulaire derde kiesextractie [9].

Diep leren, een van de subsets van kunstmatige intelligentie, kende een snelle vooruitgang en speelt een belangrijke rol op medisch gebied. Een van de deep learning-modellen, begeleid leren van het convolutionele neurale netwerk (CNN), is onlangs onderzocht, waarvan is bewezen dat het het menselijke oordeelsniveau overtreft op veel gebieden van medische beeldvorming [12, 13]. Nadat CNN was geïntroduceerd in het maxillofaciale veld, werd het gebruikt voor de beoordeling, detectie, categorisatie en segmentatie van de omliggende anatomische structuren [14-18 Onlangs is deep learning op basis van CNN-modellen gebruikt voor de geïmpacteerde mandibulaire derde kies en mandibulaire kanaaldetectie en segmentatie op panoramische röntgenfoto's en CBCT [15, 18, 30], de classificatie en stadiëring van ontwikkeling [31, 32], en de benaderingsmetingen van de geïmpacteerde mandibulaire derde molaar op panoramische röntgenfoto's [33]. Fukuda et al. vergeleek 3 CNN's voor classificatie van de geïmpacteerde mandibulaire derde kies en mandibulaire kanaalrelatie met panoramische röntgenfoto's [34]. Joo et al. stelde een op CNN gebaseerde benadering voor om de patstelling van de geïmpacteerde mandibulaire derde kiesextractie te beoordelen met behulp van panoramische röntgenfoto's [35]. Dus, zoals eerder vermeld, kan panoramische radiografie de anatomische structuren niet nauwkeurig beschrijven vanwege de superpositie die plaatsvindt in de (2D) beeldvormingsmodaliteiten. Orhan et al. meldde een AI-toepassing (Diagnocat, Inc.) op basis van CNN met hoge precisie bij het detecteren van de M3 en beoordeling van het aantal wortels gerelateerd aan aangrenzende anatomische structuren