Сравнительный анализ дентальных параметров в рамках 3D-цефалометрического анализа с помощью искусственного интеллекта
https://doi.org/10.36377/ET-0125
Аннотация
Целью данного исследования было сравнение трех подходов к 3D-цефалометрическому анализу: ручная трассировка в программе Invivo (Human Invivo), автоматизированный анализ с использованием Diagnocat AI и автоматическая цефалометрия в Invivo (AI Invivo). Материалы и методы. В ретроспективное исследование были включены 30 КЛКТ-сканов; оценивались такие параметры, как оверджет, овербайт, наклон резцов и межрезцовые углы. Для статистической обработки использовались описательная статистика, тест Шапиро–Уилка, однофакторный ANOVA или тест Краскела–Уоллиса с пост-hoc анализом, а также коэффициент внутриклассовой корреляции (ICC). Различия между методами интерпретировались относительно среднего стандартного отклонения (SD): <1 SD – сопоставимость, 1–2 SD – умеренное расхождение, ≥2 SD – значительное расхождение. Результаты показали, что для большинства параметров различия между методами не превышали одного SD, что подтверждает высокую сопоставимость и воспроизводимость результатов. Ни один параметр не превысил порог в 2 SD. Diagnocat AI продемонстрировал клинически приемлемые результаты и обладал дополнительными преимуществами – снижением зависимости от оператора, сокращением времени анализа и меньшей стоимостью по сравнению с ручной трассировкой и AI Invivo. Вывод. Полученные данные позволяют рассматривать Diagnocat AI и AI Invivo как надежные альтернативы или дополнения к традиционной ручной цефалометрии в ортодонтической практике.
Ключевые слова
Об авторах
З. С. Хабадзе
Российский университет дружбы народов им. Патриса Лумумбы
Россия
Конфликт интересов:
Россия
Хабадзе Зураб Суликоевич – д.м.н., профессор, заведующий кафедрой терапевтической стоматологии Медицинского института
117198, Российская Федерация, г. Москва, ул. Миклухо-Маклая, д. 6
Конфликт интересов:
Авторы сообщают об отсутствии конфликта интересов.
А. Вехби
Российский университет дружбы народов им. Патриса Лумумбы
Россия
Конфликт интересов:
Россия
Вехби Ахмад – ассистент кафедры терапевтической стоматологии Медицинского института
117198, Российская Федерация, г. Москва, ул. Миклухо-Маклая, д. 6
Конфликт интересов:
Авторы сообщают об отсутствии конфликта интересов.
О. С. Морданов
Российский университет дружбы народов им. Патриса Лумумбы
Россия
Конфликт интересов:
Россия
Морданов Олег Сергеевич – к.м.н., ассистент кафедры терапевтической стоматологии Медицинского института
117198, Российская Федерация, г. Москва, ул. Миклухо-Маклая, д. 6
Конфликт интересов:
Авторы сообщают об отсутствии конфликта интересов.
Список литературы
1. Sun M., Chai Y., Chai G., Zheng X. Fully automatic robot-assisted surgery for mandibular angle split osteotomy. J Craniofac Surg. 2020;31(2):336–339. https://doi.org/10.1097/SCS.0000000000005587
2. Rahimy E., Wilson J., Tsao T.C., Schwartz S., Hubschman J.P. Robot-assisted intraocular surgery: development of the IRISS and feasibility studies in an animal model. Eye. 2013;27(8):972–978. https://doi.org/10.1038/eye.2013.105
3. Castillo D., Galvez J.M., Herrera L.J., Rojas F., Valenzuela O., Caba O. et al. Leukemia multiclass assessment and classification from Microarray and RNA-seq technologies integration at gene expression level. PLoS ONE. 2019;14(2):e0212127. https://doi.org/10.1371/journal.pone.0212127
4. Orhan K., Aktuna Belgin C., Manulis D., Golitsyna M., Bayrak S., Aksoy S. et al. Determining the reliability of diagnosis and treatment using artificial intelligence software with panoramic radiographs. Imaging Sci Dent. 2023;53(3):199–208. https://doi.org/10.5624/isd.20230109
5. Thurzo A., Urbanová W., Novák B., Czako L., Siebert T., Stano P. et al. Where is the artificial intelligence applied in dentistry? Systematic review and literature analysis. Healthcare. 2022;10(7):1269. https://doi.org/10.3390/healthcare10071269
6. Ezhov M., Gusarev M., Golitsyna M., Yates J.M., Kushnerev E., Tamimi D. et al. Clinically applicable artificial intelligence system for dental diagnosis with CBCT. Sci Rep. 2021;11(1):15006. https://doi.org/10.1038/s41598-021-94093-9 (Erratum in: Sci Rep. 2021;11(1):22217. https://doi.org/10.1038/s41598-021-01678-5)
7. Orhan K., Shamshiev M., Ezhov M., Plaksin A., Kurbanova A., Ünsal G. et al. AI-based automatic segmentation of craniomaxillofacial anatomy from CBCT scans for automatic detection of pharyngeal airway evaluations in OSA patients. Sci Rep. 2022;12(1):11863. https://doi.org/10.1038/s41598-022-15920-1
8. Urban R., Haluzová S., Strunga M., Surovková J., Lifková M., Tomášik J., Thurzo A. AI-assisted CBCT data management in modern dental practice: benefits, limitations and innovations. Electronics. 2023;12(7):1710. https://doi.org/10.3390/electronics12071710
9. Zhang C., Fan L., Zhang S., Zhao J., Gu Y. Deep learning based dental implant failure prediction from periapical and panoramic films. Quant Imaging Med Surg. 2023;13(2):935–945. https://doi.org/10.21037/qims-22-457
10. Mureșanu S., Almășan O., Hedeșiu M., Dioșan L., Dinu C., Jacobs R. Artificial intelligence models for clinical usage in dentistry with a focus on dentomaxillofacial CBCT: a systematic review. Oral Radiol. 2023;39(1):18–40. https://doi.org/10.1007/s11282-022-00660-9
11. Hwang H.W., Moon J.H., Kim M.G., Donatelli R.E., Lee S.J. Evaluation of automated cephalometric analysis based on the latest deep learning method. Angle Orthod. 2021;91(3):329–335. https://doi.org/10.2319/021220-100.1
12. Hans M.G., Palomo J.M., Valiathan M. History of imaging in orthodontics from Broadbent to cone-beam computed tomography. Am J Orthod Dentofacial Orthop. 2015;148(6):914–921. https://doi.org/10.1016/j.ajodo.2015.09.007
13. Farronato G., Salvadori S., Nolet F., Zoia A., Farronato D. Assessment of inter- and intra-operator cephalometric tracings on cone beam CT radiographs: comparison of the precision of the cone beam CT versus the latero-lateral radiograph tracing. Prog Orthod. 2014;15:1. https://doi.org/10.1186/2196-1042-15-1
14. Nishimoto S., Sotsuka Y., Kawai K., Ishise H., Kakibuchi M. Personal computer-based cephalometric landmark detection with deep learning, using cephalograms on the internet. J Craniofac Surg. 2019;30(1):91–95. https://doi.org/10.1097/SCS.0000000000004901
15. Wang C.W., Huang C.T., Hsieh M.C., Li C.H., Chang S.W., Li W.C. et al. Evaluation and comparison of anatomical landmark detection methods for cephalometric X-ray images: A grand challenge. IEEE Trans Med Imaging. 2015;34(9):1890–1900. https://doi.org/10.1109/TMI.2015.2412951
16. Arık S.Ö., Ibragimov B., Xing L. Fully automated quantitative cephalometry using convolutional neural networks. J Med Imaging. 2017;4(1):014501. https://doi.org/10.1117/1.JMI.4.1.014501
17. Serafin M., Baldini B., Cabitza F., Carrafiello G., Baselli G., Del Fabbro M. et al. Accuracy of automated 3D cephalometric landmarks by deep learning algorithms: systematic review and meta-analysis. Radiol Med. 2023;128(5):544–555. https://doi.org/10.1007/s11547-023-01629-2
18. Zamora N., Llamas J.M., Cibrián R., Gandia J.L., Paredes V. A study on the reproducibility of cephalometric landmarks when undertaking a three-dimensional (3D) cephalometric analysis. Med Oral Patol Oral Cir Bucal. 2012;17(4):e678–e688. https://doi.org/10.4317/medoral.17721
19. Phulari B. An atlas on cephalometric landmarks. London: JP Medical Ltd; 2013. 213 p.
20. Isensee F., Kickingereder P., Wick W., Bendszus M., Maier-Hein K.H. Brain tumor segmentation and radiomics survival prediction: contribution to the BRATS 2017 challenge. In: In: Crimi A., Bakas S., Kuijf H., Menze B., Reyes M. (eds) Brainlesion: Glioma, multiple sclerosis, stroke and traumatic brain injuries. BrainLes 2017. Lecture Notes in Computer Science, vol 10670. Springer, Cham; 2017, pp. 287–297. https://doi.org/10.1007/978-3-319-75238-9_25
21. Газимагомедова А.Ш., Варданян М.А., Дробышева Н.С. Сравнительная оценка методов определения ширины верхней челюсти у растущих пациентов. Эндодонтия Today. 2023;21(3):231–237. https://doi.org/10.36377/1683-2981-2023-21-3-231-237
22. Sam A., Currie K., Oh H., Flores-Mir C., Lagravére-Vich M. Reliability of different three-dimensional cephalometric landmarks in cone-beam computed tomography: A systematic review. Angle Orthod. 2019;89(2):317–332. https://doi.org/10.2319/042018-302.1
23. Zemouri R., Zerhouni N., Racoceanu D. Deep learning in the biomedical applications: Recent and future status. Appl Sci. 2019;9(8):1526. https://doi.org/10.3390/app9081526
24. Alsubai S. A critical review on the 3D cephalometric analysis using machine learning. Computers. 2022;11(11):154. https://doi.org/10.3390/computers11110154
25. Das B.R., Jain P., Modi N., Soni P., Datta D., De A.. SNA and SNB measurements: a comparative assessment between measurements in conventional 2D cephalogram and 3D cone-beam computed tomography-generated values. Int J Oral Care Res. 2021;9(3):71–75. https://doi.org/10.4103/INJO.INJO_20_21
26. Kunz F., Stellzig-Eisenhauer A., Zeman F., Boldt J. Artificial intelligence in orthodontics: Evaluation of a fully automated cephalometric analysis using a customized convolutional neural network. J Orofac Orthop. 2020;81(1):52–68. https://doi.org/10.1007/s00056-019-00203-8
27. Chen Z., Mo S., Fan X., You Y., Ye G., Zhou N. A meta-analysis and systematic review comparing the effectiveness of traditional and virtual surgical planning for orthognathic surgery: Based on randomized clinical trials. J Oral Maxillofac Surg. 2021;79(2):471.e1–471.e19. https://doi.org/10.1016/j.joms.2020.09.005
28. Akhare P.J., Dagab A.M., Alle R.S., Shenoyd U., Garla V. Comparison of landmark identification and linear and angular measurements in conventional and digital cephalometry. Int J Comput Dent. 2013;16(3):241–254.
29. Zamrik O.M., İşeri H. The reliability and reproducibility of an Android cephalometric smartphone application in comparison with the conventional method. Angle Orthod. 2021;91(2):236–242. https://doi.org/10.2319/042320-345.1
30. Smołka P., Nelke K., Struzik N., Wiśniewska K., Kiryk S., Kensy J. et al. Discrepancies in cephalometric analysis results between orthodontists and radiologists and artificial intelligence: A systematic review. Appl Sci. 2024;14(12):4972. https://doi.org/10.3390/app14124972
Рецензия
Для цитирования:
Хабадзе З.С., Вехби А., Морданов О.С. Сравнительный анализ дентальных параметров в рамках 3D-цефалометрического анализа с помощью искусственного интеллекта. Эндодонтия Today. https://doi.org/10.36377/ET-0125
For citation:
Khabadze Z.S., Wehbe A., Mordanov O.S. Comparative analysis of dental parameters within 3D cephalometric analysis using artificial intelligence. Endodontics Today. https://doi.org/10.36377/ET-0125
Послать статью по эл. почте 