Ordinateur

Rapports scientifiques volume 13, Numéro d'article : 1561 (2023) Citer cet article

2555 Accès

2 citations

8 Altmétrique

Détails des métriques

L'étude multiphase in vitro actuelle a développé et validé un réseau neuronal convolutif tridimensionnel (3D-CNN) pour générer des couronnes dentaires partielles (PDC) destinées à être utilisées en dentisterie restauratrice. L'efficacité des scanners laser de bureau et intra-oraux dans la génération de données aux fins du 3D-CNN a été évaluée pour la première fois (phase 1). Il n'y avait pas de différences significatives en termes de surface [t-stat(df) = − 0,01 (10), différence moyenne = − 0,058, P > 0,99] et de volume [t-stat(df) = 0,357(10)]. Cependant, les scans intra-oraux ont été choisis pour la phase 2 car ils produisaient un plus grand niveau de détails volumétriques (343,83 ± 43,52 mm3) par rapport au scan laser de bureau (322,70 ± 40,15 mm3). Au cours de la phase 2, 120 préparations dentaires ont été synthétisées numériquement à partir de scans intra-oraux, et deux cliniciens ont conçu les PDC respectifs à l'aide de flux de travail de conception assistée par ordinateur (CAO) sur une configuration d'ordinateur personnel. La comparaison statistique par ANOVA à 3 facteurs a démontré des différences significatives en termes de surface (P < 0,001), de volume (P < 0,001) et de chevauchement spatial (P < 0,001), et par conséquent, seuls les PDC les plus précis (n = 30) ont été sélectionnés pour entraîner le réseau neuronal (Phase 3). Le 3D-CNN actuel a produit une précision de validation de 60 %, une perte de validation de 0,68 à 0,87, une sensibilité de 1,00, une précision de 0,50 à 0,83 et sert de preuve de concept selon laquelle le 3D-CNN peut prédire et générer des prothèses PDC dans CAO pour la dentisterie restauratrice.

Le développement de l’intelligence artificielle (IA) a eu lieu en 1943, mais le terme « intelligence artificielle » a été inventé lors d’une session à Dartmouth en 19561. Dans cette analogie, l’apprentissage profond, les réseaux neuronaux et l’apprentissage automatique sont des sous-ensembles de l’IA. Les machines peuvent apprendre en créant des algorithmes résolvant des problèmes prédictifs sans intervention humaine2. Les réseaux de neurones (NN) utilisés sont des modèles mathématiques non linéaires imitant les caractéristiques du cerveau humain en matière d'apprentissage et de prise de décision, stimulant ainsi les compétences cognitives humaines3. De tels NN peuvent être complexes, avec des couches cachées pouvant être entraînées pour représenter et prédire des perceptions multicouches en traitant des données avec un apprentissage profond2. Les réseaux de neurones convolutifs et les réseaux de neurones artificiels sont les modèles les plus utilisés pour traiter les données lors de la planification de la prophylaxie, des thérapies essentielles et de la projection des coûts de traitement3. Dans un avenir proche, cette technologie conduira à l’introduction de divers nouveaux domaines d’application dans le domaine public sous la forme d’assistants intelligents4. L'un des domaines qui en bénéficierait serait le domaine de la médecine dentaire, ouvrant diverses possibilités de tâches de routine initialement effectuées par le personnel dentaire avec une qualité de soins améliorée5,6.

A priori, les modèles d’IA ont été couramment utilisés pour la cartographie et la finition des préparations dentaires et différentes applications prosthodontiques. Des méthodes de conception assistée par ordinateur ont également été utilisées pour la sélection de l’anatomie dentaire pour la conception automatisée de restaurations dentaires. Le moulage réussi des armatures métalliques, la sélection de la teinte des dents et la correspondance des teintes de la porcelaine sont des caractéristiques recommandées des modèles IA7. Les restaurations indirectes, les couronnes dentaires partielles ou PDC (inlays et onlays) ont récemment commencé à gagner en popularité dans le mouvement de la « dentisterie mini-invasive ». Renforçant leurs avantages proposés, il a été établi que les préparations d'onlay en or et en céramique entraînaient une réduction significative de la structure dentaire coronaire par rapport à leurs équivalents à couverture complète sur la même dent lorsqu'elles étaient réalisées par des étudiants de premier cycle8,9. Alors que les solutions numériques disponibles dans le commerce fournissaient une assistance CAO aux dentistes pour les préparations d'inlays et d'onlays numériques, la plupart des mises en œuvre gratuites ou open source étaient documentées pour les prothèses dentaires et les prothèses plus grandes, par opposition au PDC10,11. En outre, la littérature suggère que les scanners laser de bureau et les scanners intra-oraux étaient des appareils précis à part entière et exécutaient efficacement des fonctions spécifiques12,13,14. Les documentations ne précisaient cependant pas l'appareil idéal pour enregistrer les données d'entrée pour l'enregistrement numérique des préparations dentaires à des fins de PDC et d'apprentissage automatique. Compte tenu de la littérature spécifique manquante, les rapports précédents sur la conception CAO open source ont été analysés et modifiés pour développer de nouveaux flux de travail de reconstruction adaptés à la recherche actuelle. Les flux de travail ont été révisés et simplifiés afin d’éliminer la courbe d’apprentissage abrupte communément signalée par les dentistes favorables à la numérisation clinique15,16,17. Par conséquent, il a été jugé approprié que les dentistes conçoivent les PDC numériques en CAO qui seraient ensuite utilisés dans le processus d'apprentissage automatique.