Noggrannhet av artificiell intelligens vid utvärdering av sambandet mellan underkäkens tredje molar och underkäkskanalen på CBCT

Den tredje molar extraktionen i underkäken, anses vara en av de vanligaste operationerna inom orala och maxillofaciala områden, den kan associeras med flera postoperativa komplikationer, som smärta, blödning, svullnad och skada på alveolär nerv (IAN) eller fullständig skada, vilket försämrar kvaliteten livet för de drabbade patienterna. Incidensen av tillfällig IAN-skada orsakad av underkäkens tredje molar extraktion var 0,4-8,4 %, medan incidensen av bestående men är mindre än 1 % [1, 2]. Men på grund av den höga förekomsten av påverkad underkäkens tredje molar, lider ett stort antal patienter av IAN-skada orsakad av påverkad underkäks tredje molarextraktion [3]. Den viktigaste riskfaktorn för IAN-skada orsakad av extraktion av underkäkens tredje molar är närheten av roten av underkäkens tredje molar till underkäkskanalen [1, 2, 4, 5]. Så, omfattande preoperativ analys och utvärdering av de anatomiska strukturerna är väsentliga före påverkad underkäks tredje molar extraktion för att minska risken för IAN-skada.

Panoramaröntgen är inte så exakt när det gäller att visa sambandet mellan påverkad underkäks tredje molar extraktion och IAN på grund av överlagringen och inneboende begränsningar. Noggrannheten i att förutsäga sannolikheten för (IAN) skada under den påverkade underkäkens tredje molar extraktion med hjälp av panoramaröntgenbilder var kontroversiell [6].

Cone beam computed tomography (CBCT), A (3D) avbildningsmodalitet, ger korrekt 3D-information med minskad stråldos än medicinsk CT [7]. Det visades att CBCT var en bättre och korrekt röntgenmetod än panoramaröntgen för att utvärdera sambandet mellan mandibular tredje molar och (IAN) [6, 8]. Så att CBCT har ansetts vara den valda modaliteten för preoperativ bedömning av komplicerad underkäks tredje molar extraktion [9].

Deep learning, en av artificiell intelligens undergrupper, hade en snabb utveckling och har en betydande roll inom medicinska områden. En av modellerna för djupinlärning, guidad inlärning av det konvolutionella neurala nätverket (CNN) har nyligen undersökts, vilket har visat sig överträffa mänsklig bedömningsnivå inom många medicinska bildbehandlingsområden [12, 13]. Efter att CNN introducerades till maxillofaciala fältet användes det för bedömning, upptäckt, kategorisering och segmentering av de omgivande anatomiska strukturerna [14-18 Nyligen har djupinlärning baserad på CNN-modeller använts för den påverkade underkäkens tredje molar och mandibular kanaldetektering och segmentering på panoramaröntgenbilder och CBCT [15, 18, 30], klassificering och stadieindelning av utveckling [31, 32] och approximativa mätningar av den påverkade underkäkens tredje molar på panoramaröntgenbilder [33]. Fukuda et al. jämförde 3 CNN för klassificering av den påverkade underkäkens tredje molar och underkäkskanalrelation med panoramaröntgenbilder [34]. Yoo et al. föreslog ett CNN-baserat tillvägagångssätt för att bedöma dödläget för den påverkade mandibulära tredje molarextraktionen med hjälp av panoramaröntgenbilder [35]. Så, som nämnts tidigare, kan panoramaröntgen inte exakt beskriva de anatomiska strukturerna på grund av överlagringen som sker i (2D) avbildningsmodaliteter. Orhan et al. rapporterade en AI-applikation (Diagnocat, Inc.) baserad på CNN med hög precision för att detektera M3 och bedömning av antalet rötter relaterade till intilliggande anatomiska strukturer