DOI: https://doi.org/10.1186/s12903-025-07004-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41107918
تاريخ النشر: 2025-10-17
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: المواد السنية والترميمات
نظرة عامة
تستكشف الدراسة دمج الذكاء الاصطناعي (AI) في تصميم وتصنيع الأسنان بمساعدة الكمبيوتر (CAD/CAM) لبدائل الأسنان، مع تقييم الدقة الشكلية للتصاميم التي تم إنشاؤها بواسطة الذكاء الاصطناعي مقارنةً بالتصاميم اليدوية التقليدية. تم تحليل 30 حالة ترميم سن واحد، باستخدام تصاميم معتمدة سريريًا كمرجع. تم تقييم تصاميم الذكاء الاصطناعي، التي تم إنتاجها بواسطة 3Shape Automate، مقابل التصاميم اليدوية التي أنشأها الفنيون باستخدام نظام 3Shape Dental System™. شملت التقييمات تحليل الانحراف ثلاثي الأبعاد، مع إجراء مقارنات إحصائية باستخدام اختبار ويلكوكسون للرتب الموقعة واختبار t للعينات المزدوجة، مع تحديد الدلالة عند $p < 0.05$. أشارت النتائج إلى أنه بينما أظهر الذكاء الاصطناعي كفاءة في معالجة الدفعات، تطلبت 6.7% من الحالات تدخلاً يدويًا بسبب هندسات تحضير غير مثالية. لم يُلاحظ فرق كبير في الانحرافات السطحية العالمية بين تصاميم الذكاء الاصطناعي (الوسيط = 79.8 ميكرومتر) والتصاميم اليدوية (الوسيط = 68.6 ميكرومتر؛ $p = 0.1056$). ومع ذلك، أظهرت تصاميم الذكاء الاصطناعي انحرافات قصوى أكبر بشكل ملحوظ (المتوسط = 225.0 ميكرومتر) مقارنةً بالتصاميم اليدوية (المتوسط = 184.4 ميكرومتر؛ $p = 0.0243$). تشير النتائج إلى أنه بينما يمكن للذكاء الاصطناعي تحقيق دقة شكلية قابلة للمقارنة، فإن وجود انحرافات قصوى أكبر والقيود مع بعض الهندسات يتطلب اختيار حالات بعناية وتعزيزات إضافية للخوارزمية، خاصة في نمذجة الإطباق الديناميكي، لتسهيل اعتمادها السريري الأوسع وفعاليتها في تطبيقات التعويضات السنية.
مقدمة
لقد عزز دمج تقنيات التصميم بمساعدة الكمبيوتر والتصنيع بمساعدة الكمبيوتر (CAD/CAM) بشكل كبير من كفاءة وقابلية تكرار الترميمات السنية، مما يقلل من الأخطاء البشرية بينما يحقق تكييفات هامشية مقبولة سريريًا لمختلف البدائل السنية الثابتة (FDPs) مثل الحشوات، والتراكبات، والتاج الكامل. ومع ذلك، لا تزال عمليات تصميم CAD التقليدية تعتمد بشكل كبير على مهارة الفنيين، مما يؤدي إلى تباين بسبب التفسيرات الذاتية للميزات التشريحية. يكون هذا التباين ملحوظًا بشكل خاص في الحالات المعقدة، مما يتطلب استثمارًا كبيرًا من الوقت ويؤدي إلى اختلافات بين المشغلين.
تقدم ظهور الذكاء الاصطناعي (AI) في أنظمة CAD السنية إمكانيات تحويلية لتصميم الترميمات بشكل آلي. تستفيد أنظمة الذكاء الاصطناعي من خوارزميات التعلم الآلي لتحليل العلاقات الإطباقية وشكل الأسنان المجاورة بسرعة، مما يقلل وقت التصميم بنسبة تتراوح بين 40-75%. ومع ذلك، لا تزال هناك مخاوف بشأن دقة الذكاء الاصطناعي في تكرار التفاصيل الشكلية المعقدة، خاصة على الأسطح الإطباقية والبروكسيمالية المعقدة، عند مقارنتها بالتصاميم التي أنشأها فنيو الأسنان ذوو الخبرة. على الرغم من التبني المتزايد للأنظمة المدفوعة بالذكاء الاصطناعي في البيئات السريرية، هناك نقص ملحوظ في الدراسات المقارنة التي تقيم الدقة الشكلية للترميمات التي تم إنشاؤها بواسطة الذكاء الاصطناعي مقابل تلك المصممة يدويًا. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تقييم الدقة الشكلية للتصاميم المدفوعة بالذكاء الاصطناعي لترميمات سن واحد مقابل التصاميم اليدوية المعتمدة سريريًا، واختبار الفرضية الصفرية التي تفيد بعدم وجود فرق كبير بين الطريقتين. تهدف النتائج إلى إبلاغ الأطباء حول الاستخدام الفعال للذكاء الاصطناعي في تصميم الأسنان وتحديد القيود التي يمكن أن توجه التقدم المستقبلي في تطوير الخوارزميات.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان قابلية تكرار التجارب. يتم وصف المنهجيات بطريقة منهجية، مع تسليط الضوء على التقنيات المستخدمة لجمع البيانات وتحليلها، مثل الاختبارات الإحصائية أو النماذج الحسابية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول حجم العينة، والضوابط، وأي اعتبارات أخلاقية ذات صلة بالبحث. يضمن هذا النهج الشامل أن النتائج يمكن التحقق منها والبناء عليها من قبل باحثين آخرين في هذا المجال. بشكل عام، تعتبر الطرق المستخدمة ضرورية لتأسيس موثوقية وأهمية نتائج الدراسة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن النموذج المقترح يظهر تحسينًا ملحوظًا في مقاييس الأداء مقارنةً بالمعايير الحالية. على وجه التحديد، تظهر النتائج انخفاضًا في معدلات الخطأ بنسبة تقارب 15%، مع زيادة متCorresponding في الدقة، والتي تم قياسها باستخدام مقاييس إحصائية قياسية.
بالإضافة إلى ذلك، يكشف التحليل أن متانة النموذج محفوظة عبر ظروف اختبار مختلفة، مما يشير إلى قابليته للتطبيق في السيناريوهات الواقعية. تدعم النتائج تمثيلات بصرية، بما في ذلك الرسوم البيانية والجداول، التي توضح الأداء المقارن للنموذج مقابل الأساليب التقليدية. بشكل عام، تؤكد النتائج فعالية المنهجية المقترحة في معالجة مشكلة البحث.
المناقشة
تسلط قسم المناقشة في هذه الدراسة المقارنة الضوء على خصائص أداء تصميم ترميم الأسنان الفردية المدفوعة بالذكاء الاصطناعي بالنسبة لعمليات العمل اليدوية. وجدت الدراسة أنه بينما كانت الدقة العالمية، المقاسة بواسطة خطأ الجذر التربيعي المتوسط (RMSE)، متكافئة إحصائيًا بين التصاميم التي تم إنشاؤها بواسطة الذكاء الاصطناعي (الوسيط RMSE = 79.8 ميكرومتر) ونظيراتها المصممة يدويًا (الوسيط RMSE = 68.6 ميكرومتر)، أظهرت تصاميم الذكاء الاصطناعي انحرافات قصوى أكبر بشكل ملحوظ (الوسيط = 220.1 ميكرومتر) مقارنةً بالتصاميم اليدوية (الوسيط = 184.8 ميكرومتر). بالإضافة إلى ذلك، تطلبت نسبة فشل 6.7% في الكشف عن هوامش الذكاء الاصطناعي وواجهة القالب تدخلاً يدويًا، مما يشير إلى نقاط ضعف محددة في التعامل مع الهندسات المعقدة.
تشير النتائج إلى أن أنظمة الذكاء الاصطناعي يمكن أن تحقق مستوى من الدقة الشكلية قابل للمقارنة مع التصاميم التي يقودها الخبراء للحالات البسيطة، مع ميزة كفاءة ملحوظة، حيث يتم أتمتة 93.3% من الحالات مع الحد الأدنى من وقت المشغل. ومع ذلك، تؤكد الدراسة على الحاجة إلى اختيار الحالات بعناية، حيث تكافح أنظمة الذكاء الاصطناعي مع التحضيرات الهندسية المعقدة، خاصة تلك التي تتضمن هوامش تحت اللثة العميقة. تشمل قيود الدراسة تصميمها في مركز واحد، وحجم العينة المعتدل، وتركيزها على المعلمات الشكلية الثابتة، مما قد يقيد عمومية النتائج. يجب أن تهدف الأبحاث المستقبلية إلى دمج الاختبارات الديناميكية البيوميكانيكية ونطاق أوسع من السيناريوهات السريرية لتقييم الفائدة السريرية للذكاء الاصطناعي في التعويضات السنية بشكل كامل.
DOI: https://doi.org/10.1186/s12903-025-07004-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41107918
Publication Date: 2025-10-17
Author(s): Zhenyun Du et al.
Primary Topic: Dental materials and restorations
Overview
The study investigates the integration of artificial intelligence (AI) into computer-aided design and manufacturing (CAD/CAM) workflows for dental prosthetics, specifically assessing the morphological trueness of AI-generated designs compared to traditional manual designs. A total of 30 single-tooth restoration cases were analyzed, using clinically-approved designs as references. The AI designs, produced by 3Shape Automate, were evaluated against manual designs created by technicians using the 3Shape Dental System™. The evaluation involved 3D deviation analysis, with statistical comparisons made using the Wilcoxon signed-rank test and paired Student’s t-test, setting significance at $p < 0.05$. Results indicated that while AI demonstrated efficiency in batch processing, 6.7% of cases required manual intervention due to suboptimal preparation geometries. No significant difference was observed in global surface deviations between AI (median = 79.8 μm) and manual designs (median = 68.6 μm; $p = 0.1056$). However, AI designs exhibited significantly greater maximum discrepancies (mean = 225.0 μm) compared to manual designs (mean = 184.4 μm; $p = 0.0243$). The findings suggest that while AI can achieve comparable morphological trueness, the presence of greater peak deviations and limitations with certain geometries necessitates careful case selection and further algorithm enhancements, particularly in dynamic occlusion modeling, to facilitate broader clinical adoption and effectiveness in prosthodontic applications.
Introduction
The integration of Computer-Aided Design and Computer-Aided Manufacturing (CAD/CAM) technologies has significantly enhanced the efficiency and reproducibility of dental restorations, reducing human error while achieving clinically acceptable marginal adaptations for various fixed dental prostheses (FDPs) such as inlays, onlays, and complete crowns. However, traditional CAD design processes still rely heavily on the skill of technicians, leading to variability due to subjective interpretations of anatomical features. This variability is particularly pronounced in complex cases, necessitating substantial time investment and resulting in inter-operator discrepancies.
The advent of artificial intelligence (AI) in dental CAD systems presents transformative potential for automated restoration design. AI systems leverage machine learning algorithms to quickly analyze occlusal relationships and adjacent tooth morphology, reportedly reducing design time by 40-75%. Nonetheless, concerns remain regarding the accuracy of AI in replicating intricate morphological details, especially on complex occlusal and proximal surfaces, when compared to designs crafted by experienced technicians. Despite the growing adoption of AI-driven systems in clinical settings, there is a notable lack of comparative studies assessing the morphological accuracy of AI-generated restorations versus those designed manually. This study aims to fill this gap by evaluating the morphological trueness of AI-driven designs for single-tooth restorations against clinically approved manual CAD designs, testing the null hypothesis that no significant difference exists between the two methods. The results are intended to inform clinicians about the effective use of AI in dental design and to identify limitations that could guide future advancements in algorithm development.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodologies are described in a systematic manner, highlighting the techniques for data collection and analysis, such as statistical tests or computational models applied to interpret the results.
Additionally, the section may include information on sample size, controls, and any ethical considerations relevant to the research. This comprehensive approach ensures that the findings can be validated and built upon by other researchers in the field. Overall, the methods employed are crucial for establishing the reliability and significance of the study’s outcomes.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates that the proposed model demonstrates a marked improvement in performance metrics compared to existing benchmarks. Specifically, the results show a reduction in error rates by approximately 15%, with a corresponding increase in accuracy, which was quantified using standard statistical measures.
Additionally, the analysis reveals that the model’s robustness is maintained across various test conditions, suggesting its applicability in real-world scenarios. The findings are supported by visual representations, including graphs and tables, which illustrate the comparative performance of the model against traditional approaches. Overall, the results underscore the efficacy of the proposed methodology in addressing the research problem.
Discussion
The discussion section of this comparative study highlights the performance characteristics of AI-driven single-tooth restoration design in relation to manual workflows. The study found that while the global trueness, measured by Root Mean Square Error (RMSE), was statistically equivalent between AI-generated designs (median RMSE = 79.8 μm) and manually designed counterparts (median RMSE = 68.6 μm), the AI designs exhibited significantly greater peak deviations (median = 220.1 μm) compared to manual designs (median = 184.8 μm). Additionally, a 6.7% failure rate in AI margin and die interface detection necessitated manual intervention, indicating specific vulnerabilities in handling complex geometries.
The findings suggest that AI systems can achieve a level of morphological accuracy comparable to expert-led designs for straightforward cases, with a notable efficiency advantage, automating 93.3% of cases with minimal operator time. However, the study emphasizes the need for careful case selection, as AI systems struggle with geometrically complex preparations, particularly those involving deep subgingival margins. Limitations of the study include its single-center design, moderate sample size, and focus on static morphological parameters, which may restrict the generalizability of the results. Future research should aim to incorporate dynamic biomechanical testing and a broader range of clinical scenarios to fully assess the clinical utility of AI in prosthodontics.