עדכן רפואת שיניים - גיליון 188 נובמבר-דצמבר Israel Dental Update no.188 November-December 2023

.13 הערכה טרום-התערבותית של שן טוחנת שלישית באמצעות למידת מכונה רּוּבּוסטִית ) לתמיכה בקבלת החלטות ולהפיכת משימות שגרתיות לאוטומטיות בתחום ML לדברי מחברי המאמר, השימוש בלמידת מכונה ( הרפואי גורם לעלייה ביעילות ולקבלת החלטות רובוסטיות יותר בתחום מערכת הבריאות. רשתות עצביות רב-שכבתיות עמוקות ) הוצגו בהשראה ביולוגית לסיווג, רגרסיה ומשימות פילוח שונים, כולל ניתוח הדמיות רפואיות. ברפואת השיניים, מחקר DNNs ( מתודולוגי בשטח זה הוכיח את עצמו כפורה, עם מספר וריאציות של דגמים אלה המוצעים לסגמנטציה של מבנה השן, סיווג רובד ) הינה ההליך הכירורגי הנפוץ ביותר בניתוחי פה אשר M 3 Ms השיניים וגילוי עששת. העקירה של השיניים הטוחנות השלישיות ( ). ידוע מהספרות שמגע ישיר של שורש שן טוחנת שלישית IAN עלול לגרום לסיבוכים רבים, כולל נזק לעצב האלבאולרי התחתון ( עם העצב מגדיל באופן משמעותי את הסיכון לנזק עצבי. על מנת להפוך את המשימה של זיהוי מקרים קריטיים לאוטומטיים, נעשו במחקרים קודמים צעדים לקראת הערכה אוטומטית של סיכון לקשיי עקירה ונזקים עצביים לאחר ניתוח של טוחנות שלישיות, ). הניתוח של הדמיות רפואיות אלו התפתח מאוד CT על ידי שימוש בלמידה עמוקה בהדמיות רנטגן או של טומוגרפיה ממוחשבת ( ) שהינה ארכיטקטורה חדשנית, שמטרתה לפתור ResNet מהשימוש בטרנספורמר של רשתות עצביות עם רשת נויראלית רזידואלית ( על מנת לסווג את ResNet משימות תוך טיפול בתלות ארוכת טווח בקלות. הגישות הפופולריות ביותר משתמשות במודלים של הקשר המקומי בין העקירות של הטוחנות לבין פגיעה בעצב. מטרה במחקר זה, השתמשו החוקרים בצינור מקצה לקצה (קבוצת נהלים המייצרים אוטומציה של זרימות עבודה שששששל למידת מכונה) ), על ידי הערכת מספר שיטות עדכניות מתחום למידת המכונה. לדבריהם, OPG ברדיוגרפיה פנורמית ( IAN ו- M 3 M לזיהוי וסיווג ) עקב החשיפה לקרינה. בצינור CBCT בפרקטיקה הקלינית לא מתאים לבצע באופן שגרתי טומוגרפיה ממוחשבת של קרן קונוס ( ) לזיהוי ופילוח האזור של השן הטוחנת והעצב. סיווג SDU - Net תלוי מרחבי ( U - Net הזה, נעשה שימוש לסגמנטציה של הדמיות ב תוצאות הפלט שימש על מנת להחליט אם נדרשת שיטת אבחון נוספת לשם תכנון הטיפול. תמונות רדיוגרפיות פנורמיות שנאספו במרכז לרפואת השיניים באוניברסיטת ציריך, שוויץ, להכשרת 4,516- החוקרים השתמשו ב התלוי במרחב, על מנת לזהות ולאחזר את האזור U - Net מודל למידת המכונה. לאחר הכנת תמונה ועיבוד מקדים, נעשה שימוש ב של השן הטוחנת והעצב האלבאולרי התחתון. תיקוני תמונה שזוהו כמכילים שיניים טוחנות בוצעו באופן אוטומטי בעיבוד על ידי .)2 ) והתפתחות שורשים של השן הטוחנת (משימה 1 (משימה IAN על M 3 M רשת עצבית עמוקה לסיווג של סופר-אימפוזיציה של הדמיות נאסף ממקור נתונים שונה מנתוני המחקר, ותויג על ידי חמישה רופאי שיניים על מנת להעריך 120 סט הערכת בקרה של עבור משימת הסופר-אימפוזיציה של 0.93- ו 0.94 באופן מהימן את ביצועי המודל. על ידי אימות צולב פי עשר הושגו ערכי דיוק של בהערכת נתוני הבקרה באמצעות 0.87- ו 0.9 ומשימת התפתחות השורשים של השיניים הטוחנות בהתאמה, ודיוקים של M 3 M - IAN , שהוערכו במערך 2 ומשימה 1 עבור משימה 0.75- ו 0.82 מאומן בצורה מפוקחת למחצה. ערכים במקדם המתאם של ResNet -101 נתוני הבקרה, מצביעים על הכללה רובוסטית של המודל. מסקנות , מציגים החוקרים טבלת אבחון המציעה באם מומלץ לבצע הדמיה נוספת 2 ומשימה 1 בתלות בשילובי ההתוויות השונים של משימה באמצעות טומוגרפיה תלת מימדית של קרן קונוס. לדבריהם, הכלי לקבלת החלטות בעזרת מחשב מועיל לפרקטיקה הקלינית, בכך שמאפשר קבלת החלטות יעילה ומופחתת סיכונים על ידי תמיכה ברופאים פחות מנוסים לפני העקירה הכירורגית של שן טוחנת שלישית.

Carvalho JS, Lotz M, Rubi L, et al. Pre interventional third- molar assessment using robust machine learning. J Dent Res 2023. doi: 10.1177/ 00220345231200786

44