Gummy smil og kunstig ıntelligence

Blant årsakene til gummy smil (GS) er overdreven vertikal utvikling av den fremre maxilla, hyperaktivitet av perioralmusklene som forårsaker overdreven leppeheving under smilende og kort klinisk kronelengde. Kort klinisk kronelengde øker mottakeligheten for GS. Endret passivt utbrudd, gingivalbetennelse og gingival hyperplasi bidrar til en redusert klinisk kronelengde. Tilfeller der den vertikale dimensjonen på tennene er kortere enn den horisontale dimensjonen antyder at passivt utbrudd er en medvirkende faktor til GS.

Omfanget av GS er ikke homogen på tvers av alle tenner som er involvert i smilet og følger ofte fra flere etiologiske faktorer. Når gingival -skjerm er 3 mm, tilskrives det utelukkende overdreven gingivalvev. Hvis en ytterligere 2,2 mm gingival display er til stede (3 mm + 2,2 mm), anses vertikalt maxillært overskudd (VME) som en medvirkende faktor. Når ytterligere 2,8 mm gingival -skjerm observeres (3 mm + 2,2 mm + 2,8 mm), er hypermobil (HM) leppe implisert. For eksempel kan en 3 mm GS over den maksillære venstre sentrale fortenneren skyldes HM -leppe alene, mens en ≥8 mm GS over maxillary venstre andre premolar kan være et resultat av en kombinasjon av HM -leppe (2,8 mm), overdreven gingivalvev ( 3 mm) og VME (2,2 mm). Dette fremhever viktigheten av å måle GS på hvert tannnivå for nøyaktig diagnose og personlig behandlingsplanlegging.

Å vurdere asymmetrisk GS krever individuelle målinger for hver tann, noe som kan øke sannsynligheten for feil og pasientstoltid. Gitt betydningen av vitenskapelig forskning for å identifisere personlige intervensjonsstrategier for estetisk smildesign, kan kunstig intelligens (AI) bidra til å transformere den subjektive naturen til estetisk persepsjon til en individualisert, vitenskapelig plattform ved å følge spesifikke referanseparametere. Bruk av presise og gyldige målinger i GS -evaluering kan lette diagnose, etiologisk vurdering og behandlingsplanlegging.

Ved å etablere et omfattende datasett, kan bidragene fra forskjellige etiologier analyseres ved å sammenligne målte variabler med ideelle referanseverdier. En grundig analyse av etiopatogenetiske faktorer og alvorlighetsgraden av tilstanden kan oppnås gjennom en slik tilnærming. Tidligere forskning indikerer et behov for flere studier som validerer nøyaktigheten og følsomheten til GS -diagnose og dens etiologiske vurdering.

Til dags dato er det ikke funnet noen studier i litteraturen som evaluerer Gingival Display ved bruk av AI. I motsetning til studier som bruker testdatasett eller fullt åpningsdatasett for nøyaktighetsscore, er dataene som er oppnådd i denne forskningen utelukkende avledet fra et treningsdatasett. For å optimalisere valideringsstrategien til AI -modellen ble utvalgte kliniske beregninger målt separat for hver tann involvert i GS. Merking ble utført ved hjelp av en lisensiert nettbasert merknadsplattform som gir mulighet for flere merknadsalternativer.

Denne studien vil omfatte pasienter med en høy smilelinje, valgt fra de som gjelder for avdelingen for periodontologi, fakultet for tannbehandling, Gazi University. Merkingen av pasientfotografier vil bli utført av to forskere: en periodontolog og en seniorekspert i kunstig intelligens (AI) og programvareutvikling. Fotografier av pasienter med gummy smil (GS) vil bli brukt til å lage trening, validering og testdatasett.

Den enkle tilfeldige prøvetakingsmetoden ble brukt, med et konfidensnivå på 0,95, prevalens på 0,1 og en feilmargin på 0,05. Dannelsen av disse datasettene vil følge trinnene som er beskrevet nedenfor.

Det ble utført en litteraturgjennomgang for å identifisere standardiseringsmetoder for måling av gingival synlighet. Imidlertid ble det ikke funnet noe linjalsystem som muliggjør samtidig kalibrering og måling av gingival -skjerm i tenner. Følgelig dukket behovet for å utvikle et spesialdesignet herskersystem spesielt for denne forskningen.

Gingival -skjerm vil bli bestemt ved hjelp av en hybridmodell. Treningsprosessen vil omfatte pikselnøyaktighet (PA) og gjennomsnittlig kryss over Union (MioU) -målinger. Datasettet vil bli delt inn i trenings-, validerings- og testundersett. Bilder vil gjennomgå størrelse på størrelse, normalisering og transformasjon til tensorer som en del av forbehandlingen av arbeidsflyten