Точность искусственного интеллекта в оценке взаимосвязи между нижнечелюстным третьим моляром и нижнечелюстным каналом при КЛКТ

Удаление третьего моляра нижней челюсти, считающееся одной из наиболее распространенных операций в полости рта и челюстно-лицевой области, может быть связано с несколькими послеоперационными осложнениями, такими как боль, кровотечение, отек и повреждение или полное повреждение нижнего альвеолярного нерва (НАН). жизни пострадавших пациентов. Частота временного повреждения ВНА, вызванного удалением третьего моляра нижней челюсти, составила 0,4-8,4%, при этом частота постоянных травм составляет менее 1% [1, 2]. Однако из-за высокой частоты ретинированных третьих моляров нижней челюсти большое количество пациентов страдают от повреждения IAN, вызванного удалением ретинированных третьих моляров нижней челюсти [3]. Наиболее значимым фактором риска повреждения ВНС при удалении третьего моляра нижней челюсти является близость корня третьего моляра нижней челюсти к нижнечелюстному каналу [1, 2, 4, 5]. Таким образом, всесторонний предоперационный анализ и оценка анатомических структур необходимы перед удалением ретинированного третьего моляра нижней челюсти, чтобы снизить риск травмы IAN.

Панорамная рентгенография не очень точна в отображении взаимосвязи между ретинированным удалением третьего моляра нижней челюсти и IAN из-за наложения и присущих ограничений. Точность прогнозирования вероятности повреждения (IAN) при удалении ретинированного третьего моляра нижней челюсти с использованием панорамных рентгенограмм была спорной [6].

Конусно-лучевая компьютерная томография (КЛКТ), способ визуализации (3D), обеспечивает точную трехмерную информацию с меньшей дозой облучения, чем медицинская КТ [7]. Было продемонстрировано, что КЛКТ является лучшим и точным рентгенографическим методом, чем панорамная рентгенография, для оценки взаимосвязи между третьим моляром нижней челюсти и (IAN) [6, 8]. Таким образом, КЛКТ считается методом выбора для предоперационной оценки осложненного удаления третьего моляра нижней челюсти [9].

Глубокое обучение, одно из подмножеств искусственного интеллекта, быстро развивалось и играет важную роль в медицинских областях. Недавно была исследована одна из моделей глубокого обучения, управляемое обучение сверточной нейронной сети (CNN), которая, как было доказано, превосходит человеческий уровень суждений во многих областях медицинской визуализации [12, 13]. После того, как CNN была введена в челюстно-лицевую область, она использовалась для оценки, обнаружения, категоризации и сегментации окружающих анатомических структур [14-18]. выявление и сегментация каналов на панорамных рентгенограммах и КЛКТ [15, 18, 30], классификация и стадирование развития [31, 32], а также аппроксимационные измерения ретинированного третьего моляра нижней челюсти на панорамных рентгенограммах [33]. Фукуда и др. сравнили 3 CNN для классификации ретинированного третьего моляра нижней челюсти и соотношения нижнечелюстного канала с панорамными рентгенограммами [34]. Ю и др. предложили подход на основе CNN для оценки тупиковой ситуации при удалении ретенированного третьего моляра нижней челюсти с использованием панорамных рентгенограмм [35]. Таким образом, как упоминалось ранее, панорамная рентгенография не может точно описать анатомические структуры из-за наложения, которое происходит в режимах (2D) визуализации. Орхан и др. сообщил о приложении ИИ (Diagnocat, Inc.), основанном на CNN, с высокой точностью обнаружения M3 и оценки количества корней, связанных с соседними анатомическими структурами.