Sorriso gomoso e `ntelligence artificial

Entre as causas do sorriso gomoso (GS) estão o desenvolvimento vertical excessivo da maxila anterior, a hiperatividade dos músculos periorais, causando elevação excessiva dos lábios durante o sorriso e o curto comprimento da coroa clínica. O comprimento curto da coroa clínica aumenta a suscetibilidade ao GS. A erupção passiva alterada, a inflamação gengival e a hiperplasia gengival contribuem para um comprimento clínico reduzido da coroa. Casos em que a dimensão vertical dos dentes é mais curta que a dimensão horizontal sugere que a erupção passiva é um fator que contribui para o GS.

A extensão do GS não é homogênea em todos os dentes envolvidos no sorriso e geralmente resulta de múltiplos fatores etiológicos. Quando a tela gengival é de 3 mm, é atribuída apenas ao tecido gengival excessivo. Se houver 2,2 mm adicionais de exibição gengival (3 mm + 2,2 mm), o excesso maxilar vertical (VME) for considerado um fator contribuinte. Quando é observado 2,8 mm de exibição gengival adicional (3 mm + 2,2 mm + 2,8 mm), o lábio hipermóvel (HM) está implicado. Por exemplo, um GS de 3 mm sobre o incisivo central esquerdo maxilar pode ser devido ao lábio hm sozinho, enquanto um ≥8 mm Gs sobre o segundo pré -molar da esquerda maxilar pode resultar de uma combinação de lábios hm (2,8 mm), tecido gengival excessivo ( 3 mm) e VME (2,2 mm). Isso destaca a importância de medir o GS em cada nível do dente para diagnóstico preciso e planejamento personalizado de tratamento.

A avaliação do GS assimétrico requer medições individuais para cada dente, o que pode aumentar a probabilidade de erro e o tempo da cadeira do paciente. Dado o significado da pesquisa científica na identificação de estratégias de intervenção personalizadas para o design estético de sorriso, a inteligência artificial (IA) poderia ajudar a transformar a natureza subjetiva da percepção estética em uma plataforma científica individualizada seguindo parâmetros de referência específicos. O uso de medições precisas e válidas na avaliação de GS pode facilitar o diagnóstico, a avaliação etiológica e o planejamento do tratamento.

Ao estabelecer um conjunto de dados abrangente, as contribuições de várias etiologias podem ser analisadas comparando variáveis ​​medidas com valores de referência ideais. Uma análise meticulosa dos fatores etiopatogenéticos e a gravidade da condição podem ser alcançados através de tal abordagem. Pesquisas anteriores indicam a necessidade de mais estudos que validam a precisão e a sensibilidade do diagnóstico de GS e sua avaliação etiológica.

Até o momento, nenhum estudo foi encontrado na literatura que avalia a exibição gengival usando IA. Diferentemente dos estudos que usam conjuntos de dados de teste ou conjuntos de dados de acesso totalmente aberto para pontuação de precisão, os dados obtidos nesta pesquisa são derivados exclusivamente de um conjunto de dados de treinamento. Para otimizar a estratégia de validação do modelo de IA, métricas clínicas selecionadas foram medidas separadamente para cada dente envolvido na GS. A rotulagem foi realizada usando uma plataforma de anotação baseada na Web licenciada que permite várias opções de anotação.

Este estudo incluirá pacientes com uma linha de sorriso alto, selecionados entre aqueles que se inscrevem no Departamento de Periodontologia, Faculdade de Odontologia, Universidade de Gazi. A rotulagem de fotografias de pacientes será realizada por dois pesquisadores: um periodontologista e um especialista sênior em inteligência artificial (IA) e desenvolvimento de software. Fotografias de pacientes com Smile Gummy (GS) serão usados ​​para criar treinamento, validação e teste de conjuntos de dados.

O método simples de amostragem aleatória foi utilizado, com um nível de confiança de 0,95, prevalência de 0,1 e uma margem de erro de 0,05. A formação desses conjuntos de dados seguirá as etapas descritas abaixo.

Uma revisão da literatura foi realizada para identificar métodos de padronização para medições de visibilidade gengival. No entanto, não foi encontrado nenhum sistema de régua que permita a calibração e a medição simultâneas da exibição gengival nos dentes. Consequentemente, surgiu a necessidade de desenvolver um sistema de governante personalizado para esta pesquisa.

A tela gengival será determinada usando um modelo híbrido. O processo de treinamento incluirá a precisão do pixel (PA) e as métricas médias de interseção sobre o Union (MIOU). O conjunto de dados será dividido em subconjuntos de treinamento, validação e teste. As imagens passarão por redimensionar, normalização e transformação em tensores como parte do fluxo de trabalho de pré -processamento