< Terug naar vorige pagina

Project

Kunstmatige intelligentie in digitale workflow voor tandheelkundige implantaten

De term 'kunstmatige intelligentie' (AI) verwijst naar het idee dat machines in staat zijn menselijke taken uit te voeren (McCarthy, 1989). Een tak van AI is machine learning (ML), waarbij intrinsieke statistische patronen (algoritmen) in gegevens worden 'aangeleerd' om uiteindelijk voorspellingen te doen over ongeziene gegevens. Deep learning is een ML-techniek die gebruikmaakt van meerlaagse wiskundige bewerkingen voor het leren en afleiden op complexe gegevens zoals beeldmateriaal(Kolossváry et al., 2019). Neurale netwerken (NN's) zijn een populair type ML-model dat sterk onderling verbonden netwerken van computerprocessoren zijn, geïnspireerd op biologische zenuwstelsels. Deze systemen kunnen helpen tandheelkundige professionals over de hele wereld met elkaar te verbinden. De term 'deep learning' is een verwijzing naar diepe (meerlagige) NN-architecturen. Deze zijn bijzonder nuttig voor complexe gegevensstructuren, aangezien zij in staat zijn een beeld en zijn kenmerken zoals randen, hoeken, vormen en macroscopische patronen weer te geven (Schwendicke et al., 2020). NN's zijn in staat om elke functie te benaderen en elke input in een gegeven output om te zetten. Indien een voldoende grote hoeveelheid gegevens en computermiddelen beschikbaar zijn. Tijdens het trainingsproces worden datapunten en overeenkomstige labels of numerieke resultaten herhaaldelijk door het NN geleid. Een getrainde NN kan de uitkomst van ongeziene gegevens voorspellen door het nieuwe datapunt door het netwerk te leiden. Er worden verschillende soorten diepe neurale netwerken gebruikt, recurrente neurale netwerken (RNN's) en convolutionele neurale netwerken (CNN's). RNN's houden zich bezig met sequentiële invoergegevens, waaronder spraak en taal. CNN's zijn gespecialiseerd om te gaan met gegevens met een rasterachtige topologie, zoals 2D- en 3D-beelden(Yasaka et al., 2018). Deep learning algoritmen of convolutionele neurale netwerken (CNN) zijn snel in opkomst op het gebied van dentomaxillofaciaal (Leite et al., 2020). CNN's zijn ontworpen om patronen te leren uit grote datasets, zonder de noodzaak van een supervisor die de data labelt. De term 'diep' verwijst naar het aantal (verborgen) netwerklagen om geleidelijk informatie en kenmerken uit de inputgegevens te extraheren. De lagen zijn onderling verbonden via nodes of neuronen. Elke verborgen laag gebruikt de output van de vorige laag als input, waardoor de complexiteit en het detail van wat het leert van laag tot laag toeneemt(Pesapane et al., 2018). CNN's hebben veelbelovende resultaten laten zien bij de diagnose en classificatie van ziekten, zoals cariësstadiëring, detectie van wortelfracturen, kankerscreening en diagnose van parodontale aandoeningen. Bovendien zijn AI-toepassingen zeer tijdbesparend bij de preoperatieve behandelplanning in de implantologie, orthodontie en orthognathische chirurgie, door geautomatiseerde detectie en segmentatie van anatomische structuren. Bovendien maken ze een efficiënte en precieze evaluatie van de behandelingsresultaten mogelijk en kunnen ze ons helpen bij een zeer nauwkeurige voorspelling van ziekten (Vranckx et al., 2020).  De revolutie in de restauratieve en prothetische tandheelkunde gemaakt met behulp van cone-beam computed tomography (CBCT) en computer aided design computer aided manufacturing technologie (CAD-CAM) om de nauwkeurigheid van de prothese te verhogen (Albdour et al., 2018). Bovendien wint 3D-printing steeds meer terrein, waardoor geleide chirurgie op maat van de patiënt mogelijk wordt Verder hebben recente innovaties zoals virtuele en augmented reality nieuwe visualisatiesystemen gecreëerd voor anatomische exploratie(Farronato et al., 2019), Tandartsen in het proces maken gebruik van hun opleiding en ervaring, leren van fouten en feedback van patiënten alleen om de praktijk van tandheelkunde in de loop der jaren te verbeteren. Na dit alles is het percentage misdiagnose vrij aanzienlijk als machines zouden worden geleerd om te doen wat tandartsen in de loop van deze jaren leren, zal het gemakkelijk zijn voor de overdracht van kennis , standaardisatie en verbetering van de kwaliteit van de behandeling van patiënten over de hele wereld. De vraag op de markt naar tandheelkundige implantaten neemt aanzienlijk toe, maar het grootste probleem is dat de resultaten van echte gevallen aantonen dat sommige tandheelkundige implantaten niet tot succes leiden. Met behulp van al deze technologieën en de innovatie van generatieve adversaire netwerken maken laboratoria gebruik van AI om automatisch geavanceerde tandheelkundige implantaatplanning te genereren om het beste ontwerp van de uiteindelijke prothese te bereiken en zo een perfecte pasvorm en ideale functie te garanderen en tegelijkertijd de esthetische verwachtingen te overtreffen.

Datum:11 okt 2021 →  Heden
Trefwoorden:Dental Implant
Disciplines:Tandheelkunde niet elders geclassificeerd
Project type:PhD project