Dokładność sztucznej inteligencji w ocenie związku między trzecim trzonowcem żuchwy a kanałem żuchwy w CBCT

Ekstrakcja trzeciego zęba trzonowego żuchwy, uważana za jedną z najczęstszych operacji w zakresie jamy ustnej i szczękowo-twarzowej, może wiązać się z wieloma powikłaniami pooperacyjnymi, takimi jak ból, krwawienie, obrzęk oraz uszkodzenie nerwu zębodołowego dolnego (IAN) lub całkowite uszkodzenie, pogarszające jakość życia chorych pacjentów. Częstość czasowego uszkodzenia IAN spowodowanego ekstrakcją trzeciego zęba trzonowego żuchwy wynosiła 0,4-8,4%, natomiast częstość występowania trwałego urazu jest mniejsza niż 1% [1, 2]. Jednak ze względu na częste występowanie zatrzymanego trzeciego trzonowca żuchwy, duża liczba pacjentów cierpi z powodu urazu IAN spowodowanego ekstrakcją zatrzymanego trzeciego trzonowca żuchwy [3]. Najbardziej istotnym czynnikiem ryzyka urazu IAN spowodowanego ekstrakcją trzeciego trzonowca żuchwy jest bliskość korzenia trzeciego trzonowca żuchwy do kanału żuchwy [1, 2, 4, 5]. Tak więc kompleksowa analiza przedoperacyjna i ocena struktur anatomicznych są niezbędne przed ekstrakcją zatrzymanego trzeciego zęba trzonowego żuchwy, aby zmniejszyć ryzyko urazu IAN.

Pantomograficzne zdjęcie rentgenowskie nie jest tak dokładne, jeśli chodzi o pokazanie związku między ekstrakcją zatrzymanego trzeciego zęba trzonowego żuchwy a IAN ze względu na nakładanie się i nieodłączne ograniczenia. Dokładność przewidywania prawdopodobieństwa urazu (IAN) podczas ekstrakcji zatrzymanego trzeciego trzonowca żuchwy za pomocą radiogramów pantomograficznych budziła kontrowersje [6].

Tomografia komputerowa wiązki stożkowej (CBCT), metoda obrazowania A (3D), dostarcza dokładnych informacji 3D przy zmniejszonej dawce promieniowania niż medyczna CT [7]. Wykazano, że CBCT jest lepszą i dokładniejszą metodą radiograficzną niż radiografia pantomograficzna do oceny stosunku trzeciego trzonowca żuchwy do (IAN) [6, 8]. W związku z tym CBCT została uznana za metodę z wyboru do przedoperacyjnej oceny skomplikowanej ekstrakcji trzeciego trzonowca żuchwy [9].

Deep learning, jeden z podzbiorów sztucznej inteligencji, miał szybki postęp i odgrywa znaczącą rolę w dziedzinach medycyny. Niedawno zbadano jeden z modeli głębokiego uczenia się, kierowane uczenie konwolucyjnej sieci neuronowej (CNN), które, jak udowodniono, przewyższa poziom ludzkiej oceny w wielu dziedzinach obrazowania medycznego [12, 13]. Po wprowadzeniu CNN do pola szczękowo-twarzowego zastosowano go do oceny, wykrywania, kategoryzacji i segmentacji otaczających struktur anatomicznych [14-18 Ostatnio głębokie uczenie się oparte na modelach CNN zostało wykorzystane do zatrzymania trzeciego trzonowca żuchwy i żuchwy wykrywania i segmentacji kanałów na zdjęciach pantomograficznych i CBCT [15, 18, 30], klasyfikacji i stopniowania rozwoju [31, 32] oraz pomiarów aproksymacyjnych zatrzymanego trzeciego zęba trzonowego żuchwy na zdjęciach panoramicznych [33]. Fukuda i in. porównali 3 CNN do klasyfikacji zatrzymanego trzeciego trzonowca żuchwy i relacji kanału żuchwy z radiogramami panoramicznymi [34]. Yoo i in. zaproponowali oparte na CNN podejście do oceny impasu ekstrakcji zatrzymanego trzeciego trzonowca żuchwy za pomocą radiogramów panoramicznych [35]. Tak więc, jak wspomniano wcześniej, radiografia panoramiczna nie może dokładnie opisać struktur anatomicznych ze względu na nakładanie się, które ma miejsce w modalnościach obrazowania (2D). Orhan i in. zgłosił aplikację AI (Diagnocat, Inc.) opartą na CNN z wysoką precyzją w wykrywaniu M3 i ocenie liczby korzeni związanych z sąsiednimi strukturami anatomicznymi