DOI: https://doi.org/10.1186/s13005-025-00500-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40156051
تاريخ النشر: 2025-03-28
المؤلف: Thanatchaporn Jindanil وآخرون
الموضوع الرئيسي: البحث في طب الأسنان وكوفيد-19
نظرة عامة
تستكشف هذه الدراسة فعالية تقنيات التصوير المقطعي المختلفة في إنشاء مرضى افتراضيين (VPs) تلقائيًا من مسحات الوجه (FS) ، والمسحات داخل الفم (IOS) ، والتصوير المقطعي المحوسب متعدد الشرائح (MSCT) ، والتصوير المقطعي بالكمبيوتر ذو الشعاع المخروطي (CBCT). كان الهدف الرئيسي هو إنشاء VPs تلقائيًا ومقارنة أداء ثلاث طرق تسجيل بشكل كمي: مدفوعة بالذكاء الاصطناعي ، ومصقولة بالذكاء الاصطناعي ، ومسجلة شبه تلقائيًا (SAR). تم استخدام مجموعة بيانات تتكون من 20 مسحة ، وتم تقييم دقة وموثوقية وكفاءة الوقت للطرق باستخدام برنامج Mimics.
تشير النتائج إلى أن جميع طرق التسجيل حققت دقة 100% في إنشاء VPs لكل من MSCT و CBCT ، دون وجود اختلافات كبيرة بين تقنيات التصوير المقطعي. أظهرت الطرق المدفوعة بالذكاء الاصطناعي والمصقولة بالذكاء الاصطناعي تناسقًا مثاليًا ، بينما أظهرت SAR قيم تناسق أقل قليلاً. ومن الجدير بالذكر أن متوسط أوقات التسجيل للطرق المدفوعة بالذكاء الاصطناعي والمصقولة بالذكاء الاصطناعي كانت أقصر بكثير من SAR ، خاصة بالنسبة لـ MSCT. كما كشفت الدراسة أنه على الرغم من أن متوسط المسافة السطحية بين VPs المعتمدة على MSCT و CBCT لم يكن مختلفًا بشكل كبير ، إلا أن الطريقة المدفوعة بالذكاء الاصطناعي أسفرت عن مسافة سطحية أصغر مقارنة بـ SAR. بشكل عام ، تؤكد النتائج أن الذكاء الاصطناعي يسهل إنشاء VPs بسرعة ودقة وتناسق ، حيث أثبتت كل من MSCT و CBCT أنها موثوقة بنفس القدر لتسجيل الأنسجة الرخوة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التقدم الكبير في المحاكاة الافتراضية ضمن الرعاية الصحية السنية، وخاصة من خلال تطوير نموذج المريض الافتراضي ثلاثي الأبعاد (3D) ، الذي اقترحه في البداية جودا وجالوكي. يدمج هذا النموذج البيانات من أوضاع التصوير المختلفة، بما في ذلك المسحات داخل الفم (IOS) ، والمسحات خارج الفم (FS) ، والتصوير المقطعي بالكمبيوتر ذو الشعاع المخروطي (CBCT) ، لتعزيز التصور وتخطيط العلاج للإجراءات السنية المعقدة. بينما يُستخدم CBCT على نطاق واسع بسبب انخفاض التعرض للإشعاع وفعاليته من حيث التكلفة، يُلاحظ أن التصوير المقطعي المحوسب متعدد الشرائح (MSCT) يتمتع بجودة صورة متفوقة، خاصة في دقة التباين. إن دمج هذه التقنيات التصويرية أمر ضروري لإنشاء VPs بشكل فعال، ومع ذلك، تعتمد الطرق الحالية بشكل أساسي على التقسيم اليدوي أو شبه الآلي.
تؤكد الورقة على إمكانيات الذكاء الاصطناعي (AI) لمعالجة تحديات التقسيم وتحسين كفاءة ودقة تسجيل الصور متعددة الأوضاع. على الرغم من التقدم، لا يزال هناك فجوة في فهم كيفية تأثير تقنيات التصوير المقطعي المختلفة على إنشاء VPs. لذلك، الهدف الرئيسي من هذه الدراسة هو أتمتة إنشاء VP باستخدام بيانات FS و IOS و MS/CBCT. بالإضافة إلى ذلك، تهدف الدراسة إلى مقارنة VPs المدفوعة بالذكاء الاصطناعي، والمصقولة بالذكاء الاصطناعي، والمسجلة شبه تلقائيًا بشكل كمي، وكذلك تقييم تأثير الأنسجة الرخوة على عمليات التسجيل لـ MSCT و CBCT.
طرق
في هذه الدراسة، قام المؤلفون بمقارنة كميّة لطرق تسجيل المرضى الافتراضيين (VP) المختلفة – المدفوعة بالذكاء الاصطناعي، والمصقولة بالذكاء الاصطناعي، والتسجيل التشريحي القائم على السطح (SAR) – مع التركيز على دقتها وموثوقيتها وكفاءة الوقت. تم تقييم الدقة من خلال قياس المسافة السطحية بين حدود الأنسجة الصلبة أو الرخوة على مسحات (MS/CB)CT وملفات STL، مع تخصيص درجات بناءً على الحد الأقصى للمسافة التي تتطلب تصحيحًا. أظهرت النتائج أنه بالنسبة للثلثين العلويين والوسطى من الوجه، حققت جميع الطرق دقة 100% (p > 0.999). ومع ذلك، في الثلث السفلي من الوجه، لوحظت اختلافات، حيث أظهرت طريقة MSCT 30% تتطلب عدم وجود تصحيحات، بينما كانت دقة CBCT 20%، مما يبرز حدوث inaccuracies أكبر في الأخيرة.
كشفت تقييمات التناسق عن موثوقية عالية عبر الطرق، خاصة بالنسبة للتسجيلات المدفوعة بالذكاء الاصطناعي والمصقولة بالذكاء الاصطناعي، التي حققت معامل ارتباط سبيرمان (SCC) قدره 1 (p < 0.01). أظهرت طريقة SAR تناسقًا أقل قليلاً لـ CBCT مقارنة بـ MSCT. أظهر تحليل كفاءة الوقت أن الطرق المدفوعة بالذكاء الاصطناعي والمصقولة بالذكاء الاصطناعي كانت لها أوقات تسجيل متقاربة (24.9 ثانية لـ MSCT و 28.5 ثانية لـ CBCT)، بينما كانت طريقة SAR أبطأ بشكل ملحوظ، حيث استغرقت 242.3 ثانية لـ MSCT و 275.7 ثانية لـ CBCT (p < 0.001). بشكل عام، لم تجد الدراسة اختلافات ذات دلالة إحصائية في الدقة بين طرق التسجيل، ولكن كانت هناك اختلافات ملحوظة في كفاءة الوقت، خاصة بالنسبة لـ SAR في حالات CBCT.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على العلاقات والنماذج الإحصائية المهمة التي لوحظت في البيانات. غالبًا ما يتم توضيح النتائج من خلال الجداول أو الرسوم البيانية أو الأشكال، التي تقدم تمثيلات بصرية للنتائج من أجل الوضوح والتأكيد.
قد يتضمن القسم أيضًا نتائج عددية محددة، مثل المتوسطات والانحرافات المعيارية أو قيم p، لدعم الاستنتاجات المستخلصة. بالإضافة إلى ذلك، يتم مناقشة أي نتائج غير متوقعة أو شذوذ، مما يوفر رؤى حول آثارها على الفرضية البحثية العامة. بشكل عام، يخدم هذا القسم في التحقق من أهداف البحث ويساهم في الفهم الأوسع للموضوع قيد التحقيق.
المناقشة
هدفت الدراسة إلى أتمتة إنشاء المرضى الافتراضيين (VP) باستخدام أوضاع التصوير المختلفة، مع التركيز بشكل خاص على مقارنة الطرق المدفوعة بالذكاء الاصطناعي، والمصقولة بالذكاء الاصطناعي، وطرق التسجيل شبه الآلية للتصوير المقطعي المحوسب متعدد الشرائح (MSCT) والتصوير المقطعي بالكمبيوتر ذو الشعاع المخروطي (CBCT). تكونت العينة من 20 مراهقًا يخضعون لعلاج تقويم الأسنان، مع جمع بيانات الصور متعددة الأوضاع في متابعة لمدة خمس سنوات. أشارت النتائج إلى أن الطرق المدفوعة بالذكاء الاصطناعي أظهرت دقة وكفاءة مقارنة بالتسجيل شبه الآلي (SAR)، حيث قدم الذكاء الاصطناعي نتائج متسقة عبر أوضاع التصوير المختلفة. ومن الجدير بالذكر أنه بينما حققت كل من MSCT و CBCT دقة تسجيل مقبولة سريريًا، كانت الاختلافات أكثر وضوحًا في الثلث السفلي من الوجه، خاصة مع CBCT، على الأرجح بسبب اختلافات في وضع المريض أثناء المسحات.
كشفت التحليلات الإحصائية عن عدم وجود اختلافات كبيرة في متوسط المسافات السطحية بين طرق AI المدفوعة و SAR، على الرغم من أن التسجيل المدفوع بالذكاء الاصطناعي أسفر عن مسافات أصغر بشكل عام. سلطت الدراسة الضوء على أن طرق الذكاء الاصطناعي لم تقلل فقط من التباين الناتج عن الإنسان، بل حسنت أيضًا كفاءة الوقت في عملية التسجيل. على الرغم من قيود العينة غير المتجانسة، تشير النتائج إلى أن التقنيات المدفوعة بالذكاء الاصطناعي يمكن أن تدمج بشكل فعال إنشاء VPs في سير العمل السريري، مما يعزز تخطيط العلاج الشخصي والتواصل مع المرضى. بشكل عام، تؤكد الدراسة على إمكانيات الذكاء الاصطناعي في تعزيز ممارسات تقويم الأسنان من خلال تحسين الدقة والتناسق في إنشاء VPs.
DOI: https://doi.org/10.1186/s13005-025-00500-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40156051
Publication Date: 2025-03-28
Author(s): Thanatchaporn Jindanil et al.
Primary Topic: Dental Research and COVID-19
Overview
This study investigates the efficacy of various tomographic techniques in the automated creation of virtual patients (VPs) from facial scans (FS), intraoral scans (IOS), multislice computed tomography (MSCT), and cone beam computed tomography (CBCT). The primary objective was to generate VPs automatically and to quantitatively compare the performance of three registration methods: AI-driven, AI-refined, and semi-automatically registered (SAR). A dataset comprising 20 scans was utilized, and the accuracy, consistency, and time efficiency of the methods were evaluated using Mimics software.
The findings indicate that all registration methods achieved 100% accuracy in VP creation for both MSCT and CBCT, with no significant differences between the tomographic techniques. The AI-driven and AI-refined methods demonstrated perfect consistency, while SAR showed slightly lower consistency values. Notably, the average registration times for AI-driven and AI-refined methods were significantly shorter than for SAR, particularly for MSCT. The study also revealed that while the average surface distance between MSCT and CBCT-based VPs was not significantly different, the AI-driven method resulted in a smaller surface distance compared to SAR. Overall, the results affirm that AI facilitates rapid, accurate, and consistent VP creation, with both MSCT and CBCT proving equally reliable for soft tissue registration.
Introduction
The introduction of this research paper highlights the significant advancements in virtual simulation within dental healthcare, particularly through the development of the three-dimensional (3D) virtual patient (VP) model, initially proposed by Joda and Gallucci. This model integrates data from various imaging modalities, including intraoral scans (IOS), extraoral scans (FS), and cone beam computed tomography (CBCT), to enhance visualization and treatment planning for complex dental procedures. While CBCT is widely utilized for its lower radiation exposure and cost-effectiveness, multislice computed tomography (MSCT) is noted for its superior image quality, particularly in contrast resolution. The integration of these imaging techniques is essential for effective VP creation, yet current methods predominantly rely on manual or semi-automated segmentation.
The paper emphasizes the potential of artificial intelligence (AI) to address segmentation challenges and improve the efficiency and accuracy of multimodal image registration. Despite advancements, there remains a gap in understanding how different tomographic techniques influence VP creation. Therefore, the primary objective of this study is to automate the creation of the VP using FS, IOS, and MS/CBCT data. Additionally, the study aims to quantitatively compare AI-driven, AI-refined, and semi-automatically registered VPs, as well as assess the impact of soft tissue on the registration processes of MSCT and CBCT.
Methods
In this study, the authors quantitatively compared various virtual patient (VP) registration methods—AI-driven, AI-refined, and surface-based anatomical registration (SAR)—focusing on their accuracy, consistency, and time efficiency. The accuracy was evaluated by measuring the surface distance between hard or soft tissue outlines on (MS/CB)CT scans and STL files, with scores assigned based on the maximum distance requiring correction. Results indicated that for the upper and middle thirds of the face, all methods achieved 100% accuracy (p > 0.999). However, in the lower facial third, discrepancies were noted, with the MSCT method showing 30% requiring no corrections, while CBCT had 20% accuracy, highlighting a greater incidence of inaccuracies in the latter.
Consistency assessments revealed high reliability across methods, particularly for AI-driven and AI-refined registrations, which achieved a Spearman correlation coefficient (SCC) of 1 (p < 0.01). The SAR method demonstrated slightly lower consistency for CBCT compared to MSCT. Time efficiency analysis showed that the AI-driven and AI-refined methods had comparable registration times (24.9 s for MSCT and 28.5 s for CBCT), whereas the SAR method was significantly slower, taking 242.3 s for MSCT and 275.7 s for CBCT (p < 0.001). Overall, the study found no statistically significant differences in accuracy among the registration methods, but notable differences in time efficiency, particularly for SAR in CBCT cases.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant statistical relationships and patterns observed in the data. The results are often illustrated through tables, graphs, or figures, which provide visual representations of the findings for clarity and emphasis.
The section may also include specific numerical results, such as means, standard deviations, or p-values, to support the conclusions drawn. Additionally, any unexpected outcomes or anomalies are discussed, providing insight into their implications for the overall research hypothesis. Overall, this section serves to validate the research objectives and contributes to the broader understanding of the topic under investigation.
Discussion
The study aimed to automate the creation of virtual patients (VP) using various imaging modalities, specifically focusing on the comparison of AI-driven, AI-refined, and semi-automatic registration methods for multislice computed tomography (MSCT) and cone beam computed tomography (CBCT). The sample consisted of 20 adolescents undergoing orthodontic treatment, with multimodal image data collected at a five-year follow-up. The findings indicated that AI-driven methods demonstrated comparable accuracy and efficiency to semi-automated registration (SAR), with AI providing consistent results across different imaging modalities. Notably, while both MSCT and CBCT achieved clinically acceptable registration accuracy, discrepancies were more pronounced in the lower facial third, particularly with CBCT, likely due to differences in patient positioning during scans.
Statistical analysis revealed no significant differences in average surface distances between AI-driven and SAR methods, although AI-driven registration yielded smaller distances overall. The study highlighted that AI methods not only reduced human-induced variability but also improved time efficiency in the registration process. Despite the limitations of a non-homogeneous sample, the results suggest that AI-driven techniques can effectively integrate VP creation into clinical workflows, enhancing personalized treatment planning and patient communication. Overall, the study underscores the potential of AI in advancing orthodontic practices through improved accuracy and consistency in VP generation.