DOI: https://doi.org/10.4047/jap.2025.17.4.224
PMID: https://pubmed.ncbi.nlm.nih.gov/40919046
تاريخ النشر: 2025-01-01
المؤلف: Thaw Thaw Win وآخرون
الموضوع الرئيسي: المواد السنية والترميمات
نظرة عامة
تبحث هذه الدراسة السريرية في دقة تركيب التيجان الكاملة المصنوعة باستخدام طريقة تصميم الذكاء الاصطناعي التوليدي ثلاثي الأبعاد عبر الإنترنت (GAID) مقارنةً بطريقة التصميم بمساعدة الكمبيوتر التقليدية (CCAD). شارك اثنان وستون مريضًا يحتاجون إلى تيجان لأضراس الفك العلوي والسفلي في الدراسة. بعد تحضير الأسنان والانطباعات الرقمية، تلقى كل مريض تاجين: واحد مصمم باستخدام برنامج GAID والآخر باستخدام برنامج CCAD. تم تقييم دقة التركيب من خلال تقنية المسح الثلاثي الرقمي، مع التركيز على الفجوات الهامشية والداخلية بالإضافة إلى نقاط الاتصال الإطباقية.
أشارت النتائج إلى أنه بينما كانت الفجوات الهامشية في التيجان من كلا الطريقتين متساوية في المناطق البوكالية والميال والدستالية، أظهرت طريقة GAID اختلافات هامشية أعلى بشكل ملحوظ في المنطقة اللغوية (P > .001). لم يتم العثور على اختلافات كبيرة في الفجوات الداخلية بين الطريقتين؛ ومع ذلك، أظهرت التيجان المنتجة بواسطة طريقة GAID اختلافات إطباقية أكبر مقارنة بتلك المصنوعة بواسطة CCAD (P < .001). تستنتج الدراسة أن دقة تركيب التيجان المصممة بواسطة الذكاء الاصطناعي التوليدي مقبولة سريريًا وقابلة للمقارنة مع طرق CAD التقليدية، بشرط أن تكون الهوامش محددة جيدًا. ومع ذلك، تؤكد الحاجة إلى تقييم دقيق للتصاميم الآلية، خاصة فيما يتعلق بإعدادات خوارزمية البرنامج وتنوع أشكال تحضير الأسنان والهياكل التشريحية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية ترميمات التيجان التشريحية في علاجات التعويضات السنية، خاصة للمرضى الذين يعانون من مشاكل سنية واسعة. تؤكد على الطلب المتزايد على حلول سنية دقيقة تسهلها التقدمات التكنولوجية، خاصة من خلال الترميمات المؤقتة التي تؤدي وظائف أساسية متنوعة، بما في ذلك حماية الأسنان المحضرة والحفاظ على الوظيفة الفموية أثناء العلاج. لقد سهل دمج أنظمة التصميم بمساعدة الكمبيوتر والتصنيع بمساعدة الكمبيوتر (CAD-CAM)، وخاصة الوحدات الجانبية، عملية تصنيع التيجان، مما يسمح بعلاجات في زيارة واحدة تعزز تجربة المريض.
علاوة على ذلك، تناقش الورقة الدور التحويلي للذكاء الاصطناعي (AI) في أنظمة CAD السنية، مما يمكّن من إنشاء تصاميم تيجان محددة للمرضى من خلال تقنيات التعلم الآلي المتقدمة، مثل الشبكات العصبية التلافيفية (CNN) والشبكات التنافسية التوليدية (GAN). تعد هذه الأنظمة المعتمدة على الذكاء الاصطناعي بتحسين كفاءة التصميم، والاتساق، والقدرة على تحسين الجمالية والوظائف من خلال مراعاة عدة متغيرات في وقت واحد. تهدف الدراسة إلى تقييم دقة تركيب التيجان المؤقتة المصممة باستخدام طريقة تصميم الذكاء الاصطناعي التوليدي عبر الإنترنت (GAID) مقابل الطريقة التقليدية CAD (CCAD)، واختبار الفرضية الصفرية التي تفيد بعدم وجود اختلاف كبير في دقة التركيب ونقاط الاتصال الإطباقية بين الطريقتين.
الطرق
في هذه الدراسة، تم تفصيل سير العمل لإنشاء تيجان سنية بوليمرية باستخدام الطباعة ثلاثية الأبعاد بمعالجة الضوء الرقمي (DLP). تم طباعة التيجان بسمك طبقة يبلغ 50 ميكرومتر وتم علاجها باستخدام ضوء بطول موجي 405 نانومتر. تم ضبط اتجاه الطباعة عند 45°، مع وضع هياكل الدعم بشكل استراتيجي على الأسطح الإطباقية واللغوية لتقليل التداخل مع هوامش التيجان. بعد الطباعة، خضعت التيجان للتنظيف وتم تركيبها على الأسنان المحضرة، مع إجراء تعديلات على الأسطح القريبة حسب الحاجة. تم استخدام تقنية المسح الثلاثي لتقييم التركيب السريري للتيجان المنتجة بواسطة نظامين مختلفين من البرمجيات، GAID وCCAD، من خلال مقارنة المسحات ثلاثية الأبعاد للتيجان المطبوعة، والأسنان المحضرة، وتجميعها.
أظهرت التحليلات الإحصائية أن البيانات اتبعت توزيعًا طبيعيًا (P = .38). لتقييم تكافؤ دقة التركيب بين طريقتي GAID وCCAD، تم إجراء اختبارين t مزدوجين أحادي الجانب. أظهر التحليل فرقًا متوسطًا في الفجوات الهامشية قدره -2.8 ميكرومتر (90% CI: 1.6 إلى 4.1) في المنطقة البوكالية، -1.16 ميكرومتر (95% CI: -4.8 إلى 2.5) في المنطقة الميالية، و2.0 ميكرومتر (95% CI: -1.3 إلى 5.2) في المنطقة الدستالية، جميعها ضمن هامش التكافؤ المحدد مسبقًا ±15 ميكرومتر (P < .001). ومع ذلك، أظهرت الفجوة الهامشية اللغوية فرقًا متوسطًا قدره 10.7 ميكرومتر (90% CI: 6.4 إلى 15.0)، متجاوزة الهامش مما يشير إلى عدم وجود تكافؤ (P = .051). تشير هذه النتائج إلى أنه بينما يمكن مقارنة الطريقتين في عدة مناطق، فإن التركيب اللغوي يتطلب مزيدًا من التحقيق.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات الأولية أو الدراسات السابقة لتسليط الضوء على الفروقات المهمة أو التأكيدات.
في هذا القسم، قد يقوم المؤلفون بالإبلاغ عن مقاييس محددة، مثل القيم المتوسطة، والانحرافات المعيارية، وقيم p، لتحديد أهمية نتائجهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج على المجال الأوسع للدراسة. بشكل عام، يخدم هذا القسم في التحقق من أهداف البحث والمساهمة في المعرفة الموجودة.
المناقشة
قيمت الدراسة دقة تركيب التيجان الكاملة المصممة باستخدام برنامج تصميم قائم على الذكاء الاصطناعي التوليدي (GAID) مقارنةً بأساليب التصميم بمساعدة الكمبيوتر التقليدية (CCAD) في بيئة سريرية تضم 62 مريضًا. أشارت النتائج إلى أن متوسط الفجوة الداخلية في الأسطح المختلفة تراوحت بين 82 ميكرومتر إلى 98 ميكرومتر، مع ظهور انحراف معياري أعلى في السطح البوكالي. أظهر تحليل التكافؤ أن الفجوات الداخلية كانت متكافئة إحصائيًا عبر معظم الأسطح، باستثناء الهامش اللغوي ونقاط الاتصال الإطباقية، حيث لوحظت اختلافات كبيرة. على وجه التحديد، أظهرت التيجان المصممة باستخدام GAID اختلافات إطباقية أكبر (149 ± 66 ميكرومتر) مقارنةً بتلك من CCAD (105 ± 63 ميكرومتر)، مما يشير إلى أن الفرضية الصفرية بعدم وجود اختلاف في دقة التركيب تم رفضها جزئيًا.
تشير النتائج إلى أنه بينما يمكن لـ GAID إنتاج تيجان بتكيف هامشي ضمن الحدود المقبولة سريريًا، فإن الاعتماد على الوظائف الآلية لتسجيل الهوامش قد يؤدي إلى اختلافات أعلى، خاصة في المناطق الأقل وضوحًا مثل الهوامش اللغوية والدستالية. يبرز هذا الحاجة إلى فحص دقيق وإجراء تعديلات محتملة على الأسطح الإطباقية، حيث يميل GAID إلى توليد هياكل تشريحية أكثر عمومية. كما لاحظت الدراسة قيودًا، بما في ذلك عدم وجود تقييم لتجربة المستخدم واعتبارات العوامل الديموغرافية، مما يشير إلى أن الأبحاث المستقبلية يجب أن تعالج هذه الجوانب لتعزيز فهم تطبيقات الذكاء الاصطناعي في تصميم الأسنان. بشكل عام، تؤكد الدراسة على وعد تقنية GAID في تصميم التعويضات السنية مع التحذير من الاعتماد المفرط على الأتمتة دون تحقق شامل.
DOI: https://doi.org/10.4047/jap.2025.17.4.224
PMID: https://pubmed.ncbi.nlm.nih.gov/40919046
Publication Date: 2025-01-01
Author(s): Thaw Thaw Win et al.
Primary Topic: Dental materials and restorations
Overview
This clinical study investigates the fit accuracy of complete crowns fabricated using a web-based 3D generative artificial intelligence design (GAID) method compared to a conventional computer-aided design (CCAD) approach. Sixty-two patients requiring crowns for maxillary and mandibular premolars and molars participated in the study. After tooth preparation and digital impressions, each patient received two crowns: one designed with GAID software and the other with CCAD software. The fit accuracy was assessed through a digital triple scan technique, focusing on marginal and internal discrepancies as well as occlusal contacts.
The results indicated that while marginal gaps in crowns from both methods were equivalent in the buccal, mesial, and distal regions, the GAID method exhibited significantly higher marginal discrepancies in the lingual region (P > .001). No significant differences were found in internal gaps between the two methods; however, crowns produced by the GAID method showed larger occlusal discrepancies compared to those made by CCAD (P < .001). The study concludes that the fit accuracy of crowns designed by generative AI is clinically acceptable and comparable to that of conventional CAD methods, provided that margins are well defined. Nonetheless, it emphasizes the need for careful evaluation of automated designs, particularly in relation to the software's algorithm settings and the variability in tooth preparation shapes and anatomical structures.
Introduction
The introduction of the research paper highlights the significance of anatomic crown restorations in prosthodontic treatments, particularly for patients with extensive dental issues. It emphasizes the growing demand for precise dental solutions facilitated by advancements in technology, particularly through interim restorations that serve various essential functions, including protecting prepared teeth and maintaining oral function during treatment. The integration of computer-aided design and computer-aided manufacturing (CAD-CAM) systems, especially chairside units, has streamlined the crown fabrication process, allowing for single-visit treatments that enhance patient experience.
Furthermore, the paper discusses the transformative role of artificial intelligence (AI) in dental CAD systems, which enables the generation of patient-specific crown designs through advanced machine learning techniques, such as convolutional neural networks (CNN) and generative adversarial networks (GAN). These AI-based systems promise improved design efficiency, consistency, and the ability to optimize esthetics and functionality by considering multiple variables simultaneously. The study aims to evaluate the fit accuracy of interim crowns designed using a novel web-based generative AI design (GAID) method against the conventional CAD (CCAD) method, testing the null hypothesis that there is no significant difference in fit accuracy and occlusal contact between the two approaches.
Methods
In this study, the workflow for creating polymeric dental crowns using digital light processing (DLP) 3D printing is detailed. The crowns were printed with a layer thickness of 50 µm and cured using a 405 nm wavelength light. The printing orientation was set at 45°, strategically placing support structures on the occlusal and lingual surfaces to minimize interference with crown margins. After printing, the crowns underwent cleaning and were seated on prepared teeth, with adjustments made to proximal surfaces as necessary. A triple scan technique was employed to evaluate the clinical fit of crowns produced by two different software systems, GAID and CCAD, by comparing 3D scans of the printed crowns, prepared teeth, and their assembly.
Statistical analysis revealed that the data followed a normal distribution (P = .38). To assess the equivalence of fit accuracy between the GAID and CCAD methods, two one-sided paired t-tests were conducted. The analysis showed a mean difference in marginal discrepancies of -2.8 µm (90% CI: 1.6 to 4.1) at the buccal region, -1.16 µm (95% CI: -4.8 to 2.5) at the mesial region, and 2.0 µm (95% CI: -1.3 to 5.2) at the distal region, all within the predefined equivalence margin of ±15 µm (P < .001). However, the lingual marginal discrepancy exhibited a mean difference of 10.7 µm (90% CI: 6.4 to 15.0), exceeding the margin and indicating a lack of equivalence (P = .051). These findings suggest that while the two methods are comparable in several regions, the lingual fit requires further investigation.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the initial hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report on specific metrics, such as mean values, standard deviations, and p-values, to establish the significance of their findings. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the results for the broader field of study. Overall, this section serves to validate the research objectives and contribute to the existing body of knowledge.
Discussion
The study evaluated the fit accuracy of complete crowns designed using generative AI-based design (GAID) software compared to conventional computer-aided design (CCAD) methods in a clinical setting involving 62 patients. The findings indicated that the mean internal gap at various surfaces ranged from 82 µm to 98 µm, with the buccal surface showing a higher standard deviation. Equivalence analysis demonstrated that the internal gaps were statistically equivalent across most surfaces, except for the lingual margin and occlusal contacts, where significant discrepancies were noted. Specifically, crowns designed with GAID exhibited larger occlusal discrepancies (149 ± 66 µm) compared to those from CCAD (105 ± 63 µm), indicating that the null hypothesis of no difference in fit accuracy was partially rejected.
The results suggest that while GAID can produce crowns with marginal adaptation within clinically acceptable limits, reliance on automated functions for margin registration may lead to higher discrepancies, particularly in less distinct areas like the lingual and distal margins. This highlights the need for careful inspection and potential adjustments in occlusal surfaces, as GAID tends to generate more generalized anatomical structures. The study also noted limitations, including the lack of user experience evaluation and consideration of demographic factors, suggesting that future research should address these aspects to enhance understanding of AI applications in dental design. Overall, the study underscores the promise of GAID technology in dental prosthesis design while cautioning against over-reliance on automation without thorough verification.