Gomachtige glimlach en kunstmatige ıntelligence

Onder de oorzaken van gomachtige glimlach (GS) zijn overmatige verticale ontwikkeling van de voorste maxilla, hyperactiviteit van de periorale spieren die overmatige lipverhoging veroorzaken tijdens het glimlachen en korte klinische kroonlengte. Korte klinische kroonlengte verhoogt de gevoeligheid voor GS. Veranderde passieve uitbarsting, gingivale ontsteking en gingivale hyperplasie dragen bij aan een verminderde klinische kroonlengte. Gevallen waarin de verticale dimensie van de tanden korter is dan de horizontale dimensie suggereert dat passieve uitbarsting een bijdragende factor is aan GS.

De omvang van GS is niet homogeen over alle tanden die bij de glimlach betrokken zijn en is vaak het gevolg van meerdere etiologische factoren. Wanneer Gingival Display 3 mm is, wordt dit uitsluitend toegeschreven aan overmatig gingivaalweefsel. Als een extra 2,2 mm gingivale display aanwezig is (3 mm + 2,2 mm), wordt verticale maxillaire overmaat (VME) beschouwd als een bijdragende factor. Wanneer een extra 2,8 mm gingivale display wordt waargenomen (3 mm + 2,2 mm + 2,8 mm), is hypermobiele (HM) lip betrokken. Een 3 mm GS boven de maxillaire linker centrale snijtand kan bijvoorbeeld alleen te wijten zijn aan HM -lip, terwijl een ≥8 mm GS over de maxillaire linker tweede premolaar kan het gevolg zijn van een combinatie van HM -lip (2,8 mm), overmatig gingivaalweefsel ( 3 mm) en VME (2,2 mm). Dit benadrukt het belang van het meten van GS op elk tandniveau voor nauwkeurige diagnose en gepersonaliseerde behandelingsplanning.

Het beoordelen van asymmetrische GS vereist individuele metingen voor elke tand, die de fout waarschijnlijkheid en stoeltijd van de patiënt kunnen vergroten. Gezien de betekenis van wetenschappelijk onderzoek bij het identificeren van gepersonaliseerde interventiestrategieën voor esthetisch glimlachontwerp, zou kunstmatige intelligentie (AI) kunnen helpen de subjectieve aard van esthetische perceptie te transformeren in een geïndividualiseerd, wetenschappelijk platform door specifieke referentieparameters te volgen. Het gebruik van precieze en geldige metingen in GS -evaluatie kan diagnose, etiologische beoordeling en behandelingsplanning vergemakkelijken.

Door een uitgebreide gegevensset op te zetten, kunnen de bijdragen van verschillende etiologieën worden geanalyseerd door gemeten variabelen te vergelijken met ideale referentiewaarden. Een zorgvuldige analyse van etiopathogenetische factoren en de ernst van de aandoening kan worden bereikt door een dergelijke benadering. Eerder onderzoek duidt op een behoefte aan meer studies die de nauwkeurigheid en gevoeligheid van GS -diagnose en de etiologische beoordeling ervan valideren.

Tot op heden is er geen onderzoek gevonden in de literatuur die Gingival Display evalueert met behulp van AI. In tegenstelling tot studies die testgegevenssets of volledig open toegankelijke gegevenssets gebruiken voor het scoren van nauwkeurigheid, zijn de gegevens die in dit onderzoek zijn verkregen uitsluitend afgeleid van een trainingsdataset. Om de validatiestrategie van het AI -model te optimaliseren, werden geselecteerde klinische metrieken afzonderlijk gemeten voor elke tand die betrokken is bij GS. Labeling werd uitgevoerd met behulp van een gelicentieerd webgebaseerd annotatieplatform dat meerdere annotatie-opties mogelijk maakt.

Deze studie omvat patiënten met een hoge glimlachlijn, geselecteerd uit degenen die zich aanmelden bij de afdeling parodontologie, faculteit dentistratie, Gazi University. Het labelen van patiëntenfoto's zal worden uitgevoerd door twee onderzoekers: een parodontoloog en een senior expert in kunstmatige intelligentie (AI) en softwareontwikkeling. Foto's van patiënten met Gummy Smile (GS) zullen worden gebruikt om training-, validatie- en testgegevenssets te maken.

De eenvoudige willekeurige bemonsteringsmethode werd gebruikt, met een betrouwbaarheidsniveau van 0,95, prevalentie van 0,1 en een foutenmarge van 0,05. De vorming van deze datasets volgt de onderstaande stappen.

Er werd een literatuuronderzoek uitgevoerd om standaardisatiemethoden te identificeren voor het metingen van gingivale zichtbaarheid. Er werd echter geen liniaalsysteem gevonden dat gelijktijdige kalibratie en meting van gingivale display in tanden mogelijk maakt. Bijgevolg ontstond de noodzaak om een ​​op maat ontworpen liniaalsysteem specifiek voor dit onderzoek te ontwikkelen.

Gingival Display wordt bepaald met behulp van een hybride model. Het trainingsproces omvat pixelnauwkeurigheid (PA) en gemiddelde kruising over de statistieken van Union (MIOU). De dataset wordt onderverdeeld in training-, validatie- en testsubsets. Beelden zullen het formaat, normalisatie en transformatie in tensoren ondergaan als onderdeel van de pre -processing workflow