Fiabilité de l’intégration de la tomodensitométrie à faisceau conique basée sur l’intelligence artificielle avec les images dentaires numériques
23 février 2024
Un processus d’enregistrement de tomodensitométries à faisceau conique et d’images dentaires numériques a été présenté à l’aide de l’identification et de la fusion assistées par l’intelligence artificielle (IA). Une comparaison avec le recalage basé sur la surface montre que la numérisation et l’intégration basées sur l’IA sont fiables et reproductibles.
Notre recherche est axée sur l’intégration de la CBCT et des images dentaires numériques, ce qui est inévitable dans la création d’une tête virtuelle. Jusqu’à présent, ces trois images utilisent marginalement la meilleure méthode de film, qui est basée sur la surface. Cette recherche vise à introduire une nouvelle méthode d’intégration basée sur la numérisation assistée par l’IA et à évaluer sa précision.
L’intelligence artificielle a été utilisée pour prédire les résultats des traitements et numériser des points de repère dans des radiographies supplémentaires ou des images CPCT. Il existe quelques logiciels commerciaux. Ce programme adopte l’automatisation de l’apprentissage automatique assistée par l’IA pour numériser les points de repère dans CPCT et également calibrer les points de repère choisis manuellement dans les images dentaires.
L’observateur interne, l’équipe du laboratoire, a montré une ICC significative et presque complète dans chaque méthode. La principale différence n’a montré aucune différence significative entre le premier et le deuxième enregistrement dans chaque ABR et SBR et entre les deux méthodes. Cependant, les fourchettes étaient plus faibles avec l’ABR qu’avec la méthode SBR.
Le protocole ABR a non seulement amélioré la précision, mais a également considérablement réduit le temps de fusion. Alors que la méthode SBR prenait trois à quatre minutes, le programme ABR ne nécessitait qu’environ 50 secondes pour la sélection des points de repère, 40 secondes pour les points de repère DDI et deux à trois secondes pour la fusion CPCT et DDI.
Aperçu
Cette étude présente une méthode innovante pour intégrer des scanners en tomodensitométrie conique (CBCT) avec des images dentaires numériques à l'aide de l'intelligence artificielle (IA). L'approche assistée par IA se concentre sur l'identification et la fusion de points de repère, démontrant une fiabilité et une reproductibilité supérieures par rapport aux méthodes traditionnelles fondées sur les surfaces.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Imagerie dentaire
- Intelligence artificielle
Contexte
- L'intégration de la CBCT et des images numériques est essentielle pour des évaluations dentaires précises.
- Les méthodes traditionnelles reposent fortement sur des techniques d'enregistrement basées sur la surface.
- L'intelligence artificielle pourrait améliorer la précision de la numérisation des points de repère.
- Des logiciels commerciaux existent qui utilisent l'intelligence artificielle pour des applications similaires.
Objectif de l'étude
- Présenter une nouvelle méthode d'intégration fondée sur la numérisation assistée par intelligence artificielle.
- Évaluer la précision de cette nouvelle méthode par rapport aux techniques existantes.
- Améliorer la fiabilité de l'identification des points anatomiques en imagerie dentaire.
Méthodes utilisées
- Apprentissage automatique assisté par l'IA pour la numérisation des points de repère dans les images CBCT.
- Étalonnage manuel des points de repère dans les images dentaires numériques.
- Comparaison de l'intégration basée sur l'IA avec les méthodes traditionnelles fondées sur les surfaces.
- Évaluation des prédictions des résultats du traitement à l'aide de l'IA.
Résultats principaux
- La numérisation basée sur l'IA montre une grande fiabilité et reproductibilité.
- La méthode d'intégration surpasse l'enregistrement traditionnel basé sur les surfaces.
- Les techniques assistées par IA peuvent améliorer la précision de l'imagerie dentaire.
- Les logiciels commerciaux démontrent des applications pratiques de la recherche.
Conclusions
- Les méthodes assistées par l'intelligence artificielle offrent une alternative prometteuse pour l'intégration des images dentaires.
- Les recherches futures devraient se concentrer sur l'amélioration de ces techniques pour des applications plus larges.
- L'étude met en évidence le potentiel de l'intelligence artificielle dans l'amélioration des pratiques d'imagerie dentaire.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
L'intégration fiable de la tomodensitométrie à faisceau conique (CBCT) et des images dentaires numériques à l'aide d'un recalage basé sur l'intelligence artificielle améliore les flux de travail d'imagerie quantitative en recherche dentaire et craniofaciale. Une reproductibilité accrue et une variabilité opérateur réduite soutiennent une confiance prédictive plus élevée au point d'inflexion entre l'imagerie et l'analyse. Cette capacité permet d'obtenir des données plus solides pour le développement ultérieur de modèles translationnels et précliniques en recherche et développement biopharmaceutiques.
Applications stratégiques en recherche et développement en biopharmaceutique
Début de la découverte et validation de la cible
- Permet une cartographie anatomique précise pour la validation ciblée fondée sur des hypothèses en recherche craniofaciale et dentaire.
- Réduit les erreurs manuelles lors de l'identification des points de repère, soutenant ainsi la réduction des risques mécanistiques liés aux critères d'évaluation basés sur l'imagerie.
- Améliore la fiabilité des données d'imagerie quantitative pour le tri précoce des portefeuilles.
Développement de criblages et de tests
- Facilite la préparation de jeux de données d'imagerie standardisés et reproductibles destinés à des analyses ultérieures.
- Prend en charge le développement de tests en fournissant des sorties quantitatives cohérentes en coordonnées 3D.
- Permet une intégration évolutive des données d'imagerie pour des études de criblage et comparatives.
Recherche translationnelle et préclinique
- Aligne les résultats d'imagerie avec les stratégies de biomarqueurs translationnels dans les modèles dentaires et crâniofaciaux.
- Assure la continuité des données d'imagerie quantitative depuis la découverte jusqu'à la validation préclinique.
- Prend en charge les décisions d'avancement ajustées au risque en réduisant la variabilité des critères d'évaluation en imagerie.
Intégration du pipeline et du flux de travail
Cette méthode d'intégration basée sur l'IA combinant la tomodensitométrie à faisceau conique (CBCT) et l'analyse des interactions médicamenteuses (DDI) s'inscrit à l'interface entre l'acquisition de données d'imagerie et l'analyse quantitative, en soutenant les flux de travail depuis la découverte précoce jusqu'à la recherche préclinique.
- Biologie de la découverte : Fournit des données d'imagerie reproductibles et quantitatives pour tester des hypothèses et clarifier des voies biologiques.
- Criblage : Produit des sorties normalisées en coordonnées 3D pour garantir la préparation et la reproductibilité des tests.
- Analyse : Permet la comparaison statistique des conditions d'imagerie à l'aide du coefficient de corrélation intraclasse (ICC) et des différences de coordonnées.
- Recherche translationnelle : Établit un lien entre les données d'imagerie et la validation de modèles précliniques lorsque la précision anatomique est requise.
- Réutilisation en entreprise : Propose un flux de travail évolutif et indépendant de l'opérateur pour des tâches répétées d'intégration d'imagerie.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive et réduit l'ambiguïté mécanistique dans les études fondées sur l'imagerie.
- Valeur opérationnelle : Normalise et accélère l'intégration de l'imagerie, réduisant la charge de travail manuelle et la variabilité.
- Valeur stratégique : Favorise de meilleures décisions de poursuite ou d'abandon en fournissant des données d'imagerie solides et reproductibles.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque des programmes de recherche dépendant de l'imagerie.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en imagerie CBCT et en traitement numérique des images dentaires.
- Dépend de l'accès à un logiciel d'inscription doté d'intelligence artificielle et à une infrastructure analytique compatible.
- Exige une standardisation interéquipes du choix des points de repère et des protocoles d'exportation des données.
- Peut nécessiter des adaptations selon les régions anatomiques ou les modalités d'imagerie.
- Les performances dépendent de la qualité des images d'entrée et de la visibilité des points de repère.
