אמינות שילוב טומוגרפיה ממוחשבת מבוססת בינה מלאכותית של קרן חרוט עם תמונות שיניים דיגיטליות
23 בפברואר 2024
תהליך של רישום סריקות טומוגרפיה ממוחשבת של קרן חרוט ותמונות שיניים דיגיטליות הוצג באמצעות בינה מלאכותית (AI) - זיהוי בעזרת ציוני דרך ומיזוג. השוואה עם רישום מבוסס פני שטח מראה כי דיגיטציה ואינטגרציה מבוססות בינה מלאכותית הן אמינות וניתנות לשחזור.
המחקר שלנו מתמקד בשילוב של CBCT ותמונות שיניים דיגיטליות, דבר בלתי נמנע ביצירת ראש וירטואלי. עד כה, שלוש התמונות הללו משתמשות באופן שולי בשיטת הסרט הטובה ביותר, שהיא מבוססת על פני השטח. מחקר זה נועד להציג שיטת אינטגרציה חדשה המבוססת על דיגיטציה בסיוע בינה מלאכותית ולהעריך את דיוקה.
בינה מלאכותית שימשה לחיזוי תוצאות הטיפול ולדיגיטציה של ציוני דרך בצילומי רנטגן משלימים או בתמונות CPCT. ישנן כמה תוכנות מסחריות זמינות. תוכנית זו מאמצת אוטומציה בעזרת בינה מלאכותית שנלמדה על ידי מכונה בדיגיטציה של ציוני דרך ב- CPCT וגם כיול ציוני דרך שנבחרו ידנית בתמונות שיניים.
הצופה הפנימי, צוות המעבדה, הראה השפעה משמעותית וכמעט מלאה של ICC בכל שיטה. ההבדל העיקרי לא הראה מובהק בין הרישום הראשון והשני בכל ABR ו- SBR ובין שתי השיטות. עם זאת, הטווחים היו נמוכים יותר עם ABR מאשר עם שיטת SBR.
פרוטוקול ABR לא רק שיפר את הדיוק, אלא גם הפחית משמעותית את זמן המיזוג. בעוד ששיטת SBR לקחה שלוש עד ארבע דקות, תוכנית ABR דרשה רק כ -50 שניות לבחירת ציון דרך, 40 שניות עבור ציוני דרך DDI, ושתיים עד שלוש שניות למיזוג CPCT ו- DDI.
סקירה כללית
מחקר זה מציג שיטה חדשנית לשילוב סריקות CT קונוסית (CBCT) עם תמונות שיניים דיגיטליות באמצעות בינה מלאכותית (AI). הגישה המסייעת בבינה מלאכותית מתמקדת בזיהוי ומיזוג נקודות ציון, ומדגימה אמינות והדירות בהשוואה לשיטות מסורתיות המבוססות על פני השטח.
מרכיבי מפתח במחקר
תחום המדע
- מדעי המוח
- דימות דנטלי
- בינה מלאכותית
רקע
- שילוב של CBCT ותמונות דיגיטליות הוא קריטי להערכות דנטליות מדויקות.
- שיטות מסורתיות מסתמכות במידה רבה על טכניקות רישום (registration) מבוססות שטח.
- לבינה מלאכותית (AI) יש פוטנציאל לשפר את הדיוק של דיגיטציה של נקודות ציון.
- קיימות תוכנות מסחריות המשתמשות ב-AI עבור יישומים דומים.
מטרת המחקר
- להציג שיטת אינטגרציה חדשה המבוססת על דיגיטציה בסיוע בינה מלאכותית (AI).
- להעריך את רמת הדיוק של שיטה חדשה זו בהשוואה לטכניקות קיימות.
- לשפר את מהימנות זיהוי נקודות ציון (landmarks) בדימות דנטלי.
שיטות שנעשה בהן שימוש
- למידת מכונה בסיוע בינה מלאכותית (AI) לדיגיטציה של נקודות ייחוס בתמונות CBCT.
- כיול ידני של נקודות ייחוס בתמונות שיניים דיגיטליות.
- השוואה בין שילוב מבוסס AI לשיטות מסורתיות המבוססות על פני שטח.
- הערכה של תחזיות לתוצאות טיפול באמצעות AI.
תוצאות עיקריות
- דיגיטציה מבוססת AI מראה אמינות והדירות גבוהות.
- שיטת האינטגרציה עולה בביצועיה על רישום מסורתי מבוסס פני שטח.
- טכניקות בסיוע AI יכולות לשפר את דיוק הדמיות השן.
- תוכנה מסחרית מדגימה יישומים מעשיים של המחקר.
מסקנות
- שיטות מבוססות בינה מלאכותית (AI) מספקות חלופה מבטיחה לשילוב תמונות דנטליות.
- מחקרים עתידיים צריכים להתמקד בליטוש טכניקות אלו עבור יישומים רחבים יותר.
- המחקר מדגיש את הפוטנציאל של AI בשיפור פרקטיקות של דימות דנטלי.
שאלות נפוצות
רלוונטיות תעשייתית להנהלה
שילוב מהימן של תמונות CBCT ותמונות שיניים דיגיטליות באמצעות רישום (registration) מבוסס AI משפר את זרימות העבודה של דימות כמותי במחקר דנטלי וקרניו-פציאלי. שיפור השחזוריות והפחתת השונות הבין-מפעיל תומכים בביטחון חיזוי גבוה יותר בנקודת המפנה שבין הדימות לניתוח. יכולת זו מאפשרת השגת נתונים חסונים יותר לפיתוח מודלים טרנסלציונליים ופרה-קליניים בשלבי ה-R&D של הביופארמה.
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- מאפשר מיפוי אנטומי מדויק לצורך תיקוף מטרות מונחה-השערות במחקר קרניו-פציאלי ודנטלי.
- מפחית טעויות ידניות בזיהוי נקודות ציון, ובכך תומך בהפחתת סיכונים מכניסטיים של נקודות סיום מבוססות דימות.
- משפר את רמת הביטחון בנתוני דימות כמותיים לצורך מיון תיקי פיתוח בשלבים מוקדמים.
סריקה ופיתוח בדיקות
- מסייע בהכנה של מערכי נתונים של דימות סטנדרטיים וניתנים לשחזור עבור ניתוחים המשכיים.
- תומך בפיתוח בדיקות (assays) באמצעות אספקת פלטים כמותיים ועקביים של קואורדינטות תלת-ממדיות.
- מאפשר שילוב בר-הרחבה (scalable) של נתוני דימות לצורך סריקות ומחקרים השוואתיים.
מחקר תרגומי ופרה-קליני
- מסנכרן פלטי תצלומיות עם אסטרטגיות של סמנים ביולוגיים תרגומיים במודלים דנטליים וקרניו-פציאליים.
- מבטיח המשכיות של נתונים מדימוי כמותי, משלב הגילוי ועד לתיקוף פרה-קליני.
- תומך בהחלטות קידום מבוססות התאמה לסיכון על ידי הפחתת השונות בנקודות קצה של דימות.
שילוב זרימת עבודה וצנרת עיבוד
שיטת האינטגרציה של CBCT ו-DDI מבוססת ה-AI הזו מתאימה לממשק שבין רכישת נתוני דימות לניתוח כמותי, ותומכת בזרימות עבודה החל משלב הגילוי המוקדם ועד למחקר פרה-קליני.
- ביולוגיה של גילוי: מספקת נתוני דימיון כמותיים הניתנים לשחזור לצורך בדיקת היפותזות והבהרת מסלולים.
- סריקה: מספקת פלטים של קואורדינטות תלת-ממדיות סטנדרטיות לצורך מוכנות ושחזור של הבדיקה.
- אנליטיקה: מאפשרת השוואה סטטיסטית של תנאי דימיון באמצעות ICC והבדלי קואורדינטות.
- מחקר תרגומי: מקשרת נתוני דימיון לתיקוף מודלים פרה-קליניים כאשר נדרשת דיוק אנטומי.
- שימוש חוזר ארגוני: מציעה זרימת עבודה ניתנת להרחבה ובלתי תלויה במפעיל עבור משימות אינטגרציה חוזרות של דימיון.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי ומפחית עמימות מכניסטית במחקרי דימות.
- ערך תפעולי: מבצע סטנדרטיזציה ומזרז את שילוב הדימות, ובכך מפחית את עומס העבודה הידני ואת השונות.
- ערך אסטרטגי: תומך בקבלת החלטות מושכלת יותר לגבי המשך או הפסקת הפרויקט (go/no-go) באמצעות אספקת נתוני דימות חסונים וניתנים לשחזור.
- השפעה על הפורטפוליו: מאפשר תעדוף מותאם סיכונים של תוכניות מחקר התלויות בדימות.
שיקולי יישום
- דורש מומחיות בדימות CBCT ובעיבוד תמונות דנטליות דיגיטליות.
- תלוי בגישה לתוכנת רישום (registration) מבוססת AI ותשתית אנליטית תואמת.
- דורש סטנדרטיזציה בין-צוותית של בחירת נקודות ייחוס (landmarks) ופרוטוקולי ייצוא נתונים.
- עשוי לדרוש התאמה עבור אזורים אנטומיים שונים או שיטות דימות שונות.
- הביצועים תלויים באיכות התמונות המוזנות ובנראות נקודות הייחוס.
