Artificiell intelligens designade tandproteser med en tand

Mål:

1. Att jämföra fyra djupinlärningsmetoder/algoritmer vid tolkning och inlärning av funktionerna i 3D-modeller;
2. Att jämföra AI-systemet med enbart maxillärtandsmodell med maxillära och mandibulära (antagonist) modeller;
3. Att jämföra den ocklusala morfologin och 3D-positionen för entands tandproteser designade av utbildad AI och av tandtekniker.

Metoder:

Först kommer utredarna att samla in 200 maxillära dentatandmodeller som träningsmodeller. AI kommer att lära sig förhållandet mellan enskilda tänder och resten av tanden med hjälp av 3D Generative Adversarial Network (GAN) genom att följa djupinlärningsmetoder/algoritmer:

Grupp 1) Voxel-baserad; Grupp 2) View-based; Grupp 3) Punktbaserad; och grupp 4) Fusionsmetoder. Utredarna kommer att samla in ytterligare 100 överkäksmodeller som fungerar som valideringsmodeller. Utredarna kommer att ta bort en tand (fungera som kontroll) i varje modell. Sedan kommer utredarna att utvärdera dessa djupa inlärningsalgoritmer för att förutsäga den ocklusala morfologin och 3D-positionen för en saknad tand.

För det andra kommer utredarna att utvärdera behovet av antagonistmodell för att förutsäga den ocklusala morfologin och 3D-positionen för en saknad tand i 100 valideringsmodeller:

Grupp i) endast överkäksmodell och grupp ii) med antagonistmodell med den testade djupinlärningsalgoritmen i objektiv (1).

För det tredje kommer utredarna att analysera den geometriska morfometriska och 3D-positionen för tandproteser designade av:

Grupp a) det tränade AI-systemet; Grupp b) tandtekniker på de fysiska modellerna; och grupp c) tandtekniker som använder CAD-mjukvara. Utredarna kommer att jämföra dessa tänder med motsvarande naturliga tänder (kontroll) i 100 valideringsmodeller.

Vidare kommer utredarna att analysera den tid som krävs för tanddesign i dessa grupper som sekundärt resultat.