Gumowaty uśmiech i sztuczna ıntelligence

Wśród przyczyn gumowatego uśmiechu (GS) są nadmierny pionowy rozwój przedniej szczęki, nadpobudliwość mięśni okołoporodowych powodujących nadmierne podwyższenie warg podczas uśmiechu i krótka długość korony klinicznej. Krótka kliniczna długość korony zwiększa podatność na GS. Zmieniona erupcja pasywna, zapalenie dziąseł i rozrost dziąseł przyczyniają się do zmniejszonej długości korony klinicznej. Przypadki, w których pionowy wymiar zębów jest krótszy niż wymiar poziomy sugeruje, że erupcja pasywna jest czynnikiem przyczyniającym się do GS.

Zakres GS nie jest jednorodny we wszystkich zębach zaangażowanych w uśmiech i często wynika z wielu czynników etiologicznych. Gdy wyświetlacz dziąseł wynosi 3 mm, przypisuje się on wyłącznie nadmiernej tkance dziąseł. Jeśli występuje dodatkowe 2,2 mm wyświetlania dziąseł (3 mm + 2,2 mm), pionowy nadmiar szczęki (VME) jest uważany za czynnik przyczyniający się. Gdy obserwuje się dodatkowe 2,8 mm wyświetlania dziąseł (3 mm + 2,2 mm + 2,8 mm), implikuje warga hipermobila (HM). Na przykład 3 mm gs nad szopem lewym szopem szczęki może być spowodowane samą wargą HM, podczas gdy ≥8 mm gs w lewym drugim szczęściu może wynikać z kombinacji wargi HM (2,8 mM), nadmiernej tkanki dziąseł ( 3 mm) i VME (2,2 mm). Podkreśla to znaczenie pomiaru GS ​​na każdym poziomie zęba dla dokładnej diagnozy i spersonalizowanego planowania leczenia.

Ocena asymetrycznego GS wymaga indywidualnych pomiarów dla każdego zęba, co może zwiększyć prawdopodobieństwo błędu i czas krzesła pacjenta. Biorąc pod uwagę znaczenie badań naukowych w identyfikowaniu spersonalizowanych strategii interwencyjnych dla estetycznego projektowania uśmiechu, sztuczna inteligencja (AI) może pomóc przekształcić subiektywny charakter percepcji estetycznej w zindywidualizowaną platformę naukową poprzez przestrzeganie określonych parametrów referencyjnych. Zastosowanie precyzyjnych i ważnych pomiarów w ocenie GS może ułatwić diagnozę, ocenę etiologiczną i planowanie leczenia.

Ustanawiając kompleksowy zestaw danych, wkład różnych etiologii można analizować poprzez porównanie zmierzonych zmiennych z idealnymi wartościami odniesienia. Skrupulatną analizę czynników etiopatogenetycznych i nasilenie stanu można osiągnąć poprzez takie podejście. Poprzednie badania wskazują na potrzebę dalszych badań potwierdzających dokładność i wrażliwość diagnozy GS i jej ocenę etiologiczną.

Do tej pory nie stwierdzono badań w literaturze oceniającym wyświetlacz dziąseł za pomocą AI. W przeciwieństwie do badań, które wykorzystują zestawy danych testowych lub w pełni otwarty dostęp do oceny dokładności, dane uzyskane w tych badaniach pochodzą wyłącznie z zestawu danych szkoleniowych. Aby zoptymalizować strategię walidacji modelu AI, wybrane wskaźniki kliniczne mierzono osobno dla każdego zęba zaangażowanego w GS. Etykietowanie przeprowadzono przy użyciu licencjonowanej internetowej platformy adnotacji, która pozwala na wiele opcji adnotacji.

W tym badaniu obejmie pacjentów z wysoką linią uśmiechu, wybranych od tych, którzy ubiegają się o Departament Periodontologii, Wydział Stomatologii, Uniwersytet Gazi. Etykietowanie fotografii pacjentów będzie wykonywane przez dwóch badaczy: periodontologa i starszego eksperta w dziedzinie sztucznej inteligencji (AI) i rozwoju oprogramowania. Zdjęcia pacjentów z gumowatym uśmiechem (GS) zostaną wykorzystane do tworzenia zestawów danych szkoleniowych, walidacyjnych i testowych.

Zastosowano prostą losową metodę próbkowania, z poziomem ufności 0,95, występowaniem 0,1 i marginesem błędu 0,05. Utworzenie tych zestawów danych wykonuje następujące czynności.

Przeprowadzono przegląd literatury w celu zidentyfikowania metod standaryzacji pomiarów widoczności dziąseł. Jednak nie stwierdzono systemu linijki, który pozwala na jednoczesną kalibrację i pomiar wyświetlacza dziąseł w zębach. W związku z tym pojawiła się potrzeba opracowania zaprojektowanego systemu linijki specjalnie dla tych badań.

Wyświetlacz dziąseł zostanie określony za pomocą modelu hybrydowego. Proces szkolenia będzie obejmował dokładność pikseli (PA) i średnie przecięcie wskaźników związkowych (MIOU). Zestaw danych zostanie podzielony na podzbiory szkoleniowe, walidacyjne i testowe. Obrazy ulegną zmianie, normalizację i transformację w tensory w ramach przepływu pracy wstępnej