Липкая улыбка и искусственная ıntelligence

Среди причин липкой улыбки (GS) - чрезмерное вертикальное развитие передней верхней челюсти, гиперактивность периоральных мышц, вызывающих чрезмерную повышение губы во время улыбки, и короткую клиническую длину коронки. Короткая клиническая длина короны увеличивает восприимчивость к GS. Измененное пассивное извержение, воспаление десны и гиперплазия десны способствуют сниженной клинической длине короны. Случаи, когда вертикальное измерение зубов короче, чем горизонтальное измерение, предполагают, что пассивное извержение является фактором для GS.

Степень GS не является однородной по всем зубам, вовлеченным в улыбку и часто является результатом множественных этиологических факторов. Когда дисплей -десны составляет 3 мм, он приписывается исключительно чрезмерной ткани десны. Если присутствует дополнительный 2,2 мм деся -десантного показа (3 мм + 2,2 мм), вертикальное верхнечелюстное избыток (VME) считается фактором, способствующим. Когда наблюдается дополнительное 2,8 мм деся -дисплея (3 мм + 2,2 мм + 2,8 мм), причастна к гипермобильной (HM) LIP. Например, 3 мм GS над верхнечелюстным левым центральным резцом может быть вызвана только губой HM, тогда как ≥8 мм GS над верхнечелюстной левой второй премоляром может быть результатом комбинации губы HM (2,8 мм), чрезмерной ткани десны ( 3 мм) и VME (2,2 мм). Это подчеркивает важность измерения GS на каждом уровне зуба для точной диагностики и индивидуального планирования лечения.

Оценка асимметричного GS требует отдельных измерений для каждого зуба, что может увеличить вероятность ошибок и время для пациента. Учитывая значение научных исследований в определении персонализированных стратегий вмешательства для дизайна эстетической улыбки, искусственный интеллект (ИИ) может помочь преобразовать субъективную природу эстетического восприятия в индивидуальную, научную платформу, следуя конкретным эталонным параметрам. Использование точных и достоверных измерений в оценке GS может способствовать диагностике, этиологической оценке и планированию лечения.

Установив комплексный набор данных, вклады различных этиологий могут быть проанализированы путем сравнения измеренных переменных с идеальными эталонными значениями. Тщательный анализ этиопатогенетических факторов и тяжесть состояния может быть достигнут с помощью такого подхода. Предыдущие исследования показывают необходимость в дополнительных исследованиях, подтверждающих точность и чувствительность диагноза GS и его этиологической оценки.

На сегодняшний день в литературе не было обнаружено никакого исследования, оценивающего дисплей десны с использованием искусственного интеллекта. В отличие от исследований, которые используют тестовые наборы данных или полностью открытые наборы данных для оценки точности, данные, полученные в этом исследовании, получены исключительно из набора учебных данных. Чтобы оптимизировать стратегию валидации модели ИИ, выбранные клинические метрики измерялись отдельно для каждого зуба, участвующего в GS. Маркировка была выполнена с использованием лицензированной веб-аннотационной платформы, которая позволяет несколько вариантов аннотации.

Это исследование будет включать пациентов с высокой линией улыбки, отобранных от тех, кто подает заявку на факультет пародонтологии, факультет стоматологии, Университет Гази. Маркировка фотографий пациентов будет выполнена двумя исследователями: периодонтологом и старшим экспертом в области искусственного интеллекта (ИИ) и разработки программного обеспечения. Фотографии пациентов с липкой улыбкой (GS) будут использоваться для создания обучения, проверки и тестирования наборов данных.

Был использован простой метод случайной выборки с уровнем достоверности 0,95, распространенностью 0,1 и погрешностью 0,05. Формирование этих наборов данных будет выполнять шаги, описанные ниже.

Был проведен обзор литературы для выявления методов стандартизации для измерений видимости десны. Тем не менее, не было обнаружено никакой системы правителей, которая позволяет одновременную калибровку и измерение дисплея десны в зубах. Следовательно, появилась необходимость разработки пользовательской правильной системы, специально предназначенной для этого исследования.

Дисплей -десны будет определяться с использованием гибридной модели. Процесс обучения будет включать в себя точность пикселей (PA) и среднее значение пересечения над Union (MIO). Набор данных будет разделен на обучение, валидацию и тестирование подмножеств. Изображения будут подвергаться изменению размера, нормализации и преобразования в тензоры как часть рабочего процесса предварительной обработки