- Austria / Österreich
- Bosnia and Herzegovina / Босна и Херцеговина
- Bulgaria / България
- Croatia / Hrvatska
- Czech Republic & Slovakia / Česká republika & Slovensko
- France / France
- Germany / Deutschland
- Greece / ΕΛΛΑΔΑ
- Italy / Italia
- Netherlands / Nederland
- Nordic / Nordic
- Poland / Polska
- Portugal / Portugal
- Romania & Moldova / România & Moldova
- Slovenia / Slovenija
- Serbia & Montenegro / Србија и Црна Гора
- Spain / España
- Switzerland / Schweiz
- Turkey / Türkiye
- UK & Ireland / UK & Ireland
ESPOO/HELSINKI/TAMPERE, Phần Lan: Các nghiên cứu đã chỉ ra rằng trí tuệ nhân tạo (AI) có thể nhận dạng các mẫu cấu trúc trong dữ liệu hình ảnh y tế. Tuy nhiên, trong nha khoa và X quang hàm mặt, chỉ có một số nghiên cứu sử dụng AI để xác định vị trí các ống tủy hàm dưới. Biết chính xác vị trí của chúng là điều kiện tiên quyết để lập kế hoạch cấy ghép nha khoa. Cho đến nay, các chuyên gia nha khoa đã phải kiểm tra phim X quang để xác định vị trí ống tủy hàm dưới, một quá trình có thể phức tạp và tốn nhiều thời gian. Một nghiên cứu gần đây từ Phần Lan hiện đã thử nghiệm việc sử dụng một mô hình dựa trên AI cho mục đích này và phát hiện ra rằng nó định vị các ống tủy trong phim X quang 3D một cách nhanh chóng và chính xác.
Vị trí của ống tủy trong hình ảnh CBCT rất phức tạp do sự thay đổi về mặt giải phẫu trong đường đi và hình dạng của ống tủy tùy theo từng cá nhân và sắc tộc. Để tránh chèn ép hoặc các biến chứng phẫu thuật khác, nên sử dụng lề an toàn 2 mm phía trên ống xương hàm dưới trong cấy ghép. Kiến thức chính xác về vị trí ống tủy cũng rất quan trọng đối với nhiều quy trình phẫu thuật miệng và hàm mặt khác, chẳng hạn như phẫu thuật hàm hoặc nhổ răng hàm thứ ba.
Các nhà nghiên cứu từ Đại học Aalto ở Espoo, Planmeca và Trung tâm Trí tuệ Nhân tạo Phần Lan (FCAI) đã phát triển một hệ thống học sâu và đào tạo nó bằng hình ảnh 3D được hiển thị bằng CBCT. Cơ sở dữ liệu bao gồm các hình ảnh từ năm máy quét CBCT khác nhau từ bốn nhà cung cấp và nhóm bệnh nhân thuộc hai dân tộc—869 bệnh nhân Phần Lan (79%) và 234 bệnh nhân Thái Lan (21%).
Hiệu suất của hệ thống học sâu được đánh giá lâm sàng bằng cách so sánh kết quả của nó với kết quả của bốn bác sĩ X quang răng hàm mặt có kinh nghiệm. Mô hình này đã phân đoạn chính xác ống hàm dưới và nhìn chung hoạt động tốt hơn so với các bác sĩ X quang. Ngoài ra, nó cho thấy khả năng khái quát hóa đầy hứa hẹn đối với các máy quét CBCT mới và các nhóm dân tộc.
“Khi một lượng dữ liệu khổng lồ được cung cấp cho mạng thần kinh và vị trí của ống hàm dưới được đánh dấu trong đó, nó sẽ học cách tối ưu hóa các tham số bên trong của chính nó. Đồng tác giả Vesa Varjonen, phó chủ tịch nghiên cứu và công nghệ của nhà sản xuất thiết bị nha khoa Planmeca, có trụ sở tại Helsinki, cho biết trong một thông cáo báo chí.
“Trong các đánh giá lâm sàng, các chuyên gia đã xem xét các kết quả do mô hình tạo ra và phát hiện ra rằng trong 96% trường hợp, chúng hoàn toàn có thể sử dụng được về mặt lâm sàng. Chúng tôi rất tin tưởng rằng mô hình này hoạt động tốt,” đồng tác giả Jaakko Sahlsten, một nhà nghiên cứu tiến sĩ tại Đại học Aalto nhận xét.
“Sự hợp tác nảy sinh từ nhu cầu của các chuyên gia thực hành công việc lâm sàng và từ việc tìm cách hỗ trợ công việc hàng ngày của họ. Varjonen cho biết có thể tiết kiệm rất nhiều thời gian bằng cách sử dụng trí tuệ nhân tạo trong lập kế hoạch điều trị cho bệnh nhân.
“Bệnh viện Đại học Tampere đã cung cấp cho chúng tôi các tài liệu lâm sàng phong phú và linh hoạt được sản xuất bằng một số thiết bị hình ảnh 3D. Sahlsten cho biết dữ liệu được phân chia ngẫu nhiên và một phần được sử dụng để huấn luyện mạng lưới thần kinh và một phần được tách riêng để thử nghiệm và xác thực phương pháp được thiết kế.
Planmeca tích hợp mô hình này vào danh mục hình ảnh của mình
Đối với Planmeca, một doanh nghiệp gia đình Phần Lan và là một trong những nhà sản xuất thiết bị hàng đầu thế giới về công nghệ y tế, sự hợp tác với FCAI và Bệnh viện Đại học Tampere mang lại tiềm năng kinh doanh mới đáng kể.
“Kỹ thuật số và AI được sử dụng trong thiết bị hình ảnh rất quan trọng đối với chúng tôi. Chúng tôi sẽ tích hợp mô hình mạng thần kinh được phát triển trong nghiên cứu này vào phần mềm hình ảnh của chúng tôi. Điều này sẽ cải thiện khả năng sử dụng và hiệu suất của thiết bị của chúng tôi,” Varjonen nói.
Mô hình cho phẫu thuật chỉnh hình
Ngoài ra, dự án nghiên cứu hợp tác đã phát triển một mô hình mạng thần kinh cho phẫu thuật chỉnh hình. Varjonen cho biết: “Mô hình này giúp xác định các điểm mốc trong khu vực hộp sọ để điều chỉnh sai khớp cắn và lập kế hoạch phẫu thuật chỉnh hàm.
“Tôi thấy trí tuệ nhân tạo là một công cụ rất mạnh mẽ mà các bác sĩ và các chuyên gia khác có thể sử dụng khi đưa ra những đánh giá đầu tiên hoặc để có được những ý kiến thay thế. Thách thức với các mô hình học sâu là chúng ta không thể đưa ra cơ sở chắc chắn về lý do tại sao mô hình đạt được một kết quả cụ thể. Nghiên cứu sâu hơn là cần thiết để tăng khả năng giải thích và tính minh bạch của các mô hình,” Sahlsten kết luận.
Nghiên cứu có tiêu đề “So sánh phân đoạn học sâu và các ống tủy hàm dưới được chú thích bằng nhiều cấp độ của các lần quét CBCT đa trung tâm”, đã được xuất bản vào ngày 3 tháng 11 năm 2022 trên tạp chí Scientific Reports.
Tags:
T6. 8 Tháng 11 2024
5:00 AM VST (Vietnam)
Flujo Protésico Digital con soluciones Neodent
T6. 8 Tháng 11 2024
7:00 AM VST (Vietnam)
Advancements in Mechanized Root Canal Preparation: A Comprehensive Guide
T7. 9 Tháng 11 2024
1:00 AM VST (Vietnam)
Diastema Closure CompoArt
T2. 11 Tháng 11 2024
12:00 AM VST (Vietnam)
Biological Bone Augmentation & the Semilunar technique: Working with Real Bone
T3. 12 Tháng 11 2024
1:00 AM VST (Vietnam)
(NEU)Integration eines Intraoralscanners - Tipps zur Anwendung und Abrechnung
T3. 12 Tháng 11 2024
1:00 AM VST (Vietnam)
Igiene tradizionale vs GBT: quali sono i reali benefici per operatore e paziente?
T4. 13 Tháng 11 2024
3:00 AM VST (Vietnam)
To post a reply please login or register