Computador

Scientific Reports volume 13, Artigo número: 1561 (2023) Citar este artigo

2555 acessos

2 citações

8 Altmétrico

Detalhes das métricas

O atual estudo invitro multifásico desenvolveu e validou uma rede neural convolucional tridimensional (3D-CNN) para gerar coroas dentárias parciais (PDC) para uso em odontologia restauradora. A eficácia dos scanners intraorais e a laser de mesa na geração de dados para fins de 3D-CNN foi avaliada primeiro (fase 1). Não houve diferenças significativas na área de superfície [t-stat(df) = − 0,01 (10), diferença média = − 0,058, P > 0,99] e volume [t-stat(df) = 0,357(10)]. No entanto, os escaneamentos intraorais foram escolhidos para a fase 2 por produzirem um maior nível de detalhes volumétricos (343,83 ± 43,52 mm3) em comparação ao escaneamento a laser de mesa (322,70 ± 40,15 mm3). Na fase 2, 120 preparos dentários foram sintetizados digitalmente a partir de exames intraorais, e dois médicos projetaram os respectivos PDCs usando fluxos de trabalho de design auxiliado por computador (CAD) em uma configuração de computador pessoal. A comparação estatística por ANOVA de 3 fatores demonstrou diferenças significativas na área de superfície (P < 0,001), volume (P < 0,001) e sobreposição espacial (P < 0,001) e, portanto, apenas os PDCs mais precisos (n = 30) foram escolhidos para treinar a rede neural (Fase 3). O 3D-CNN atual produziu uma precisão de validação de 60%, perda de validação de 0,68–0,87, sensibilidade de 1,00, precisão de 0,50–0,83 e serve como uma prova de conceito de que 3D-CNN pode prever e gerar próteses PDC em CAD para odontologia restauradora.

O desenvolvimento da inteligência artificial (IA) ocorreu em 1943, mas o termo “inteligência artificial” foi cunhado numa sessão em Dartmouth em 19561. Dentro desta analogia, a aprendizagem profunda, as redes neurais e a aprendizagem automática são subconjuntos da IA. As máquinas podem aprender através da construção de algoritmos que resolvem problemas preditivos sem insights humanos2. As redes neurais (NN) utilizadas são modelos matemáticos não lineares que mimetizam o cérebro humano nas características de aprendizagem e tomada de decisão, estimulando as habilidades cognitivas humanas3. Tais NNs podem ser complexos com camadas ocultas que podem ser treinadas para representar e prever percepções multicamadas processando dados com aprendizado profundo2. Redes neurais convolucionais e redes neurais artificiais são os projetos mais utilizados para processar os dados no planejamento de profilaxia, terapias essenciais e projeção de custos de tratamento3. Olhando para o futuro próximo, esta tecnologia levará à introdução de várias novas áreas de aplicação no domínio público, sob a forma de assistentes inteligentes4. Uma das áreas beneficiadas seria a área da medicina odontológica abrindo diversas oportunidades de tarefas rotineiras que inicialmente eram executadas pela equipe odontológica com melhoria na qualidade do atendimento5,6.

A priori, os modelos de IA têm sido comumente utilizados para o mapeamento e acabamento de preparos dentários e diferentes aplicações protéticas. Métodos de projeto auxiliado por computador também têm sido usados ​​para seleção da anatomia dentária para projetos automatizados de restauração dentária. A fundição bem-sucedida de estruturas metálicas, a seleção da cor dos dentes e a correspondência da cor da porcelana têm sido características recomendadas dos modelos AI7. Restaurações indiretas, coroas dentárias parciais ou PDCs (inlays e onlays) começaram recentemente a gerar popularidade no movimento da “odontologia minimamente invasiva”. Reforçando as vantagens propostas, foi estabelecido que os preparos onlay de ouro e cerâmica resultaram em redução significativamente menor da estrutura dentária coronal em comparação com seus equivalentes de cobertura total no mesmo dente quando realizados por estudantes de graduação8,9. Embora as soluções digitais disponíveis comercialmente fornecessem assistência CAD aos dentistas para preparações digitais de inlay e onlay, a maioria das implementações gratuitas ou de código aberto foram documentadas para dentaduras e próteses maiores, em oposição ao PDC10,11. Além disso, a literatura sugeriu que tanto os scanners a laser de mesa quanto os scanners intraorais eram dispositivos precisos por si próprios e executavam recursos específicos de forma eficaz12,13,14. As documentações, entretanto, não especificavam o dispositivo ideal para registrar dados de entrada para registrar digitalmente os preparos dentários para fins de PDC e aprendizado de máquina. Considerando a falta de literatura específica, relatórios anteriores de design CAD de código aberto foram analisados ​​e modificados para desenvolver novos fluxos de trabalho de reconstrução adequados para a pesquisa atual. Os fluxos de trabalho foram revisados ​​e simplificados, para eliminar a curva de aprendizado acentuada comumente relatada por dentistas que acolhem a digitalização clínica15,16,17. Portanto, considerou-se apropriado que os dentistas projetassem os PDCs digitais em CAD que seriam então utilizados no processo de aprendizado de máquina.