컴퓨터

Scientific Reports 13권, 기사 번호: 1561(2023) 이 기사 인용

2555 액세스

2 인용

8 알트메트릭

측정항목 세부정보

현재 다단계 체외 연구에서는 치과 수복학에 사용할 부분 치아 크라운(PDC)을 생성하기 위한 3차원 컨볼루셔널 신경망(3D-CNN)을 개발하고 검증했습니다. 3D-CNN 목적으로 데이터를 생성하는 데 있어 데스크탑 레이저 및 구강 스캐너의 효율성이 먼저 평가되었습니다(1단계). 표면적[t-stat(df) = − 0.01(10), 평균 차이 = − 0.058, P > 0.99] 및 부피[t-stat(df) = 0.357(10)]에는 유의미한 차이가 없었습니다. 그러나 구강 내 스캔은 데스크탑 레이저 스캐닝(322.70 ± 40.15 mm3)에 비해 더 높은 수준의 체적 세부 사항(343.83 ± 43.52 mm3)을 생성하므로 2단계로 선택되었습니다. 2단계에서는 120개의 치아 준비가 구강 내 스캔을 통해 디지털 방식으로 합성되었으며, 두 명의 임상의가 개인용 컴퓨터 설정에서 CAD(컴퓨터 지원 설계) 워크플로를 사용하여 각각의 PDC를 설계했습니다. 3-factor ANOVA에 의한 통계적 비교는 표면적(P < 0.001), 부피(P < 0.001) 및 공간적 중첩(P < 0.001)에서 상당한 차이를 나타냈으므로 가장 정확한 PDC(n = 30)만 선택되었습니다. 신경망을 훈련합니다(3단계). 현재 3D-CNN은 60%의 검증 정확도, 0.68-0.87의 검증 손실, 1.00의 민감도, 0.50-0.83의 정밀도를 생성했으며 3D-CNN이 PDC 보철물을 예측하고 생성할 수 있다는 개념 증명 역할을 합니다. 치과 수복학을 위한 CAD입니다.

인공지능(AI)의 개발은 1943년에 이루어졌지만 '인공지능'이라는 용어는 19561년 다트머스 회의에서 만들어졌습니다. 이 비유에서 딥러닝, 신경망, 머신러닝은 AI의 하위 집합입니다. 기계는 인간의 통찰력 없이도 예측 문제를 해결하는 알고리즘 구축을 통해 학습할 수 있습니다2. 사용된 신경망(NN)은 인간 두뇌의 학습 및 의사 결정 특성을 모방하여 인간의 인지 능력을 자극하는 수학적 비선형 모델입니다3. 이러한 NN은 숨겨진 레이어로 복잡할 수 있으며 딥 러닝을 통해 데이터를 처리하는 다층 인식을 표현하고 예측하도록 훈련될 수 있습니다2. 컨벌루션 신경망과 인공 신경망은 예방 계획, 중추적 치료법 및 치료 비용 예측에서 데이터를 처리하는 데 가장 많이 사용되는 설계입니다3. 가까운 미래에 이 기술은 스마트 어시스턴트4의 형태로 공공 영역 내에서 다양한 새로운 응용 분야의 도입으로 이어질 것입니다. 혜택을 받을 수 있는 영역 중 하나는 치과 직원이 초기에 향상된 진료 품질을 통해 수행했던 일상적인 업무의 다양한 기회를 열어주는 치과 의학 분야일 것입니다5,6.

선험적으로 AI 모델은 치아 준비 및 다양한 보철 응용 프로그램의 매핑 및 마무리에 일반적으로 사용되었습니다. 자동화된 치아 복원 설계를 위한 치아 해부학적 선택에도 컴퓨터 지원 설계 방법이 사용되었습니다. 금속 프레임워크의 성공적인 주조, 치아 쉐이드 선택 및 도자기 쉐이드 매칭은 AI 모델의 권장 기능이었습니다7. 간접 수복물, 부분 치아 크라운 또는 PDC(인레이 및 온레이)가 최근 '최소 침습 치과' 운동에서 인기를 얻기 시작했습니다. 제안된 장점을 강화하여, 금 및 세라믹 온레이 준비는 학부생이 수행했을 때 동일한 치아에 대한 전체 범위의 동등물과 비교하여 관상 치아 구조 감소가 훨씬 적다는 것이 입증되었습니다8,9. 상업적으로 이용 가능한 디지털 솔루션은 디지털 인레이 및 온레이 준비를 위해 치과의사에게 CAD 지원을 제공했지만 대부분의 무료 또는 오픈 소스 구현은 PDC10,11과 달리 의치 및 대형 보철물에 대해 문서화되었습니다. 또한, 문헌에서는 데스크톱 레이저 스캐너와 구강 스캐너 모두 그 자체로 정확한 장치이며 특정 기능을 효과적으로 수행한다고 제안했습니다12,13,14. 그러나 문서에서는 PDC 및 기계 학습 목적으로 치아 준비를 디지털 방식으로 기록하기 위해 입력 데이터를 기록하는 이상적인 장치를 지정하지 않았습니다. 누락된 특정 문헌을 고려하여 오픈 소스 CAD 설계에 대한 이전 보고서를 분석하고 수정하여 현재 연구에 적합한 새로운 재구성 워크플로우를 개발했습니다. 임상 디지털화15,16,17를 환영하는 치과 의사가 일반적으로 보고하는 가파른 학습 곡선을 제거하기 위해 워크플로가 수정되고 단순화되었습니다. 따라서 치과의사가 기계 학습 프로세스에 사용할 디지털 PDC를 CAD로 설계하는 것이 적절하다고 간주되었습니다.