Nøyaktighet av kunstig intelligens i evaluering av forholdet mellom mandibular tredje molar og mandibular kanal på CBCT

Den tredje molar ekstraksjonen i underkjeven, regnet som en av de vanligste operasjonene innen oral og maxillofacialt felt, kan være assosiert med flere postoperative komplikasjoner, som smerte, blødning, hevelse og skade på alveolær nerve (IAN) eller fullstendig skade, som svekker kvaliteten livet til de berørte pasientene. Forekomsten av midlertidig IAN-skade forårsaket av mandibulær tredje molar ekstraksjon var 0,4-8,4 %, mens forekomsten av varig skade er mindre enn 1 % [1, 2]. På grunn av den høye forekomsten av rammet underkjeven tredje molar, lider et stort antall pasienter av IAN-skade forårsaket av påvirket underkjevens tredje molar ekstraksjon [3]. Den viktigste risikofaktoren for IAN-skade forårsaket av ekstraksjon av underkjevens tredje molar er nærheten av roten til underkjevens tredje molar til underkjevens kanal [1, 2, 4, 5]. Så omfattende preoperativ analyse og evaluering av de anatomiske strukturene er avgjørende før påvirket mandibulær tredje molar ekstraksjon for å redusere IAN-skaderisikoen.

Panoramaradiografien er ikke så nøyaktig når det gjelder å vise forholdet mellom påvirket mandibular tredje molar ekstraksjon og IAN på grunn av overlagringen og iboende begrensninger. Nøyaktigheten av å forutsi sannsynligheten for (IAN) skade under den påvirkede underkjevens tredje molar ekstraksjon ved bruk av panorama røntgenbilder var kontroversiell [6].

Cone beam computed tomography (CBCT), A (3D) avbildningsmodalitet, gir nøyaktig 3D-informasjon med redusert stråledose enn medisinsk CT [7]. Det ble påvist at CBCT var en bedre og nøyaktig røntgenmetode enn panoramisk radiografi for å evaluere sammenhengen mellom mandibular tredje molar og (IAN) [6, 8]. Slik at CBCT har blitt betraktet som den valgte modaliteten for preoperativ vurdering av komplisert mandibular tredje molar ekstraksjon [9].

Dyplæring, en av undergrupper av kunstig intelligens, hadde en rask progresjon og har en betydelig rolle innen medisinske felt. En av de dype læringsmodellene, guidet læring av det konvolusjonelle nevrale nettverket (CNN), er nylig undersøkt, som har vist seg å overgå menneskelig dømmende nivå i mange medisinske bildebehandlingsfelt [12, 13]. Etter at CNN ble introdusert for maxillofacial-feltet, ble det brukt til vurdering, deteksjon, kategorisering og segmentering av de omkringliggende anatomiske strukturene [14-18 Nylig har dyp læring basert på CNN-modeller blitt brukt for den påvirkede underkjevens tredje molar og mandibular kanaldeteksjon og segmentering på panorama røntgenbilder og CBCT [15, 18, 30], klassifisering og iscenesettelse av utvikling [31, 32], og tilnærmingsmålinger av den påvirkede underkjevens tredje molar på panorama røntgenbilder [33]. Fukuda et al. sammenlignet 3 CNN-er for klassifisering av den påvirkede underkjevens tredje molar og underkjevekanalrelasjon med panorama røntgenbilder [34]. Yoo et al. foreslo en CNN-basert tilnærming for å vurdere dødpunktet til den berørte underkjevens tredje molare ekstraksjon ved hjelp av panorama røntgenbilder [35]. Så, som nevnt før, kan ikke panoramisk radiografi nøyaktig beskrive de anatomiske strukturene på grunn av overlagringen som skjer i (2D) avbildningsmodaliteter. Orhan et al. rapporterte en AI-applikasjon (Diagnocat, Inc.) basert på CNN med høy presisjon i deteksjon av M3 og vurdering av antall røtter relatert til tilstøtende anatomiske strukturer