Artificial Intelligence-designede tannproteser med én tann

Mål:

1. Å sammenligne fire dyplæringsmetoder/algoritmer i tolkning og læring av funksjonene til 3D-modeller;
2. For å sammenligne AI-systemet med maksillær tannmodell alene til maxillære og underkjeve (antagonist) modeller;
3. For å sammenligne den okklusale morfologien og 3D-posisjonen til entanns tannproteser designet av opplært AI og av tannteknikere.

Metoder:

Først vil etterforskerne samle 200 maksillære dentate tenner som treningsmodeller. AI vil lære forholdet mellom individuelle tenner og resten av tannsettet ved å bruke 3D Generative Adversarial Network (GAN) ved å følge dype læringsmetoder/algoritmer:

Gruppe 1) Voxel-basert; Gruppe 2) Visningsbasert; Gruppe 3) Punktbasert; og gruppe 4) Fusjonsmetoder. Etterforskerne vil samle inn ytterligere 100 maksillære modeller som fungerer som valideringsmodeller. Etterforskere vil fjerne en tann (fungere som kontroll) i hver modell. Deretter vil etterforskere evaluere disse dyplæringsalgoritmene for å forutsi den okklusale morfologien og 3D-posisjonen til en manglende tann.

For det andre vil etterforskere evaluere behovet for en antagonistmodell for å forutsi den okklusale morfologien og 3D-posisjonen til en manglende tann i 100 valideringsmodeller:

Gruppe i) kun overkjevemodell og gruppe ii) med antagonistmodell ved bruk av den testede dyplæringsalgoritmen i objektiv (1).

For det tredje vil etterforskere analysere den geometriske morfometriske og 3D-posisjonen til tannproteser designet av:

Gruppe a) det trente AI-systemet; Gruppe b) tannteknikere på de fysiske modellene; og gruppe c) tannteknikere som bruker CAD-programvare. Etterforskere vil sammenligne disse tennene med de tilsvarende naturlige tennene (kontroll) i 100 valideringsmodeller.

Videre vil etterforskere analysere tiden som kreves for tanndesign i disse gruppene som sekundært resultat.