DOI: https://doi.org/10.1007/s00784-026-06790-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41729332
تاريخ النشر: 2026-02-23
المؤلف: J. Sh. Pan وآخرون
الموضوع الرئيسي: تقويم الأسنان وطب الأسنان الوجهية
نظرة عامة
تتناول ورقة البحث نقص العرض الفكي العلوي (MTD)، وهو سوء إطباق هيكلي شائع يؤثر على كل من الأطفال والبالغين، مع معدلات انتشار تتراوح من 13% إلى 30%. لا يؤثر MTD فقط على جمالية الوجه ولكن أيضًا يهدد صحة اللثة والوظائف الفموية الأساسية مثل المضغ والكلام. يتم التأكيد على أهمية التشخيص المبكر والتدخل كعوامل حاسمة لتحسين وظيفة الفم وجودة حياة المرضى. في الأطفال، يعتبر التوسع السريع في الحنك (RPE) هو الطريقة العلاجية الرئيسية، مستفيدًا من النمو لمعالجة النقص.
تقدم الدراسة تحليلًا رجعيًا من مركز واحد طور وصادق على سير عمل مدعوم بالذكاء الاصطناعي لتحديد موضع MSE (التوسع الهيكلي الفكي العلوي) تلقائيًا باستخدام بيانات التصوير المقطعي المحوسب بالأشعة المخروطية (CBCT) ومسح الفم الداخلي (IOS). أظهر نظام الذكاء الاصطناعي مستوى عالٍ من الدقة مقارنة بالتخطيط الرقمي للخبراء، مع خطأ إقليدي ثلاثي الأبعاد قدره $0.69 \pm 0.36$ مم، وخطأ متوسط محوري (MRE) قدره $0.32 \pm 0.32$ مم، وخطأ مطلق زاوي (MAE) قدره $1.84 \pm 2.13^\circ$. بالإضافة إلى ذلك، قلل العملية الآلية بشكل كبير من وقت التخطيط من حوالي 45-60 دقيقة إلى حوالي 3 دقائق لكل حالة، مما يعزز الكفاءة السريرية وقد يخفف من عبء العمل على الأطباء. ومع ذلك، يوصي المؤلفون بإجراء دراسات مستقبلية متعددة المراكز للتحقق من النتائج قبل التنفيذ السريري الواسع النطاق.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم البروتوكولات التجريبية، بما في ذلك الظروف التي أجريت فيها التجارب، والضوابط المطبقة، والتحليلات الإحصائية التي أجريت لتقييم النتائج.
بالإضافة إلى ذلك، تؤكد المنهجية على إمكانية تكرار التجارب، حيث توفر تفاصيل كافية للباحثين الآخرين لتكرار الدراسة. يتم تحديد التقنيات الرئيسية والقياسات، مما يضمن وضوح النهج المتبع لمعالجة الأسئلة البحثية المطروحة. بشكل عام، يعد هذا القسم أساسًا حاسمًا لفهم صحة وموثوقية النتائج المقدمة في الدراسة.
النتائج
تشير النتائج إلى أن عتبة الخطأ الخطي أقل من 1.13 مم وعتبة الخطأ الزاوي أقل من 3.84° لتحديد موضع MSE تعتبر مقبولة سريريًا. تم تحديد هذه العتبات بناءً على اتفاق بين الخبراء تحت ظروف التعتيم المتبادل، حيث تم الإبلاغ عن الإحداثيات (X، Y، Z) وزوايا الوضع (الزاوية، الميل، الدوران) لنقطة CA. تم حل التباينات بين الخبراء من خلال الإجماع، وتم تعيين الخطة اليدوية النهائية كمعيار مرجعي لمزيد من التقييمات الكمية.
لاشتقاق نطاقات الخطأ المقبولة سريريًا لكل معلمة، استخدمت الدراسة تحليل بلاند-ألتمن لتقييم الانحياز المتوسط وحدود الاتفاق بنسبة 95% (LoA) بين الخطط المستقلة لخبيرين. تم تحديد عتبة الخطأ المقبولة سريريًا لكل معلمة على أنها نصف عرض LoA، المحسوبة كـ \(1.96 \times \text{الانحراف المعياري للاختلافات}\). يتناول هذا النهج غياب عتبات الخطأ المحددة للمهام في الأدبيات.
المناقشة
تدمج سير العمل المدعوم بالذكاء الاصطناعي المقترح لتحديد موضع MSE (موسع الهيكل الفكي العلوي) بين أنماط التصوير المختلفة، بما في ذلك التصوير المقطعي المحوسب بالأشعة المخروطية (CBCT) ومسحات الفم الداخلية (IOS)، لتحسين النتائج السريرية لدى المرضى الذين يعانون من سوء الإطباق الهيكلي من الفئة الثالثة ونقص الفكي العلوي العرضي. يتكون سير العمل من خمس خطوات متتالية: اكتشاف المعالم، بناء أنظمة الإحداثيات ثلاثية الأبعاد، تقسيم الهياكل التشريحية الحرجة، تسجيل بيانات CBCT وIOS، والبحث عن الوضع المقيد مع تجنب الاصطدام. الناتج النهائي هو وضع MSE المحسن، المحدد بواسطة معلمات الموقع والتوجه المحددة.
اتبعت الدراسة الإرشادات الأخلاقية وشملت مجموعة من 120 مريضًا، تم اختيارهم بناءً على معايير إدماج واستبعاد صارمة لضمان بيانات عالية الجودة لتدريب النموذج. تم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار لتقييم أداء نموذج التعلم العميق بشكل فعال. تم وضع علامات على المعالم التشريحية الرئيسية وتم إنشاء نظام إحداثيات ثلاثي الأبعاد لتسهيل تقسيم دقيق وتحديد الهياكل الحرجة، مثل الثقب القاطع وخياطة الحنك العرضي. أظهر النموذج دقة تقسيم عالية (متوسط تقاطع على الاتحاد 0.7546) وتجنب فعال للاصطدام، محققًا معدل نجاح تجنب قدره 100% للثقب القاطع و96.7% لخياطة الحنك العرضي. بشكل عام، حقق نظام الذكاء الاصطناعي دقة مقبولة سريريًا في تحديد المواقع الخطية والزوايا، مع أخطاء متوسطة قدرها 0.32 مم و1.84° على التوالي، مما يشير إلى إمكانيته في تحسين دقة وضع MSE في الممارسة السريرية.
القيود
يظهر نظام تحديد موضع MSE الآلي المقترح أداءً واعدًا؛ ومع ذلك، يجب مراعاة عدة قيود. أولاً، كانت مجموعة البيانات المستخدمة مأخوذة من مركز واحد تحت بروتوكول تصوير موحد، مما قد يقيد الصلاحية الخارجية للنتائج. لتعزيز القابلية للتعميم، يجب أن تتضمن الأبحاث المستقبلية مجموعات بيانات متعددة المراكز. بالإضافة إلى ذلك، تقتصر مجموعة الدراسة على سكان محددين يتميزون بسوء الإطباق الهيكلي من الفئة الثالثة مع نقص الفكي العلوي العرضي، مما يثير تساؤلات حول قابلية تطبيق النظام على أنواع أخرى من سوء الإطباق أو الحالات القحفية الوجهية.
علاوة على ذلك، تم تطوير سير العمل باستخدام تصميم موسع واحد، مما يشير إلى أن التعديلات قد تكون ضرورية لأشكال الأجهزة المختلفة أو تكوينات البراغي. استخدم وحدة التقسيم شبكة U-Net ثنائية الأبعاد للتنبؤات شديدة الدقة، والتي، على الرغم من كفاءتها الحاسوبية، قد لا تستفيد بالكامل من المعلومات السياقية ثلاثية الأبعاد، مما قد يؤثر على استمرارية الشرائح مقارنة بالهياكل ثلاثية الأبعاد. أخيرًا، كانت عملية التحقق رجعية، تعتمد على التخطيط الرقمي للخبراء كمرجع، دون تحقق سريري من وضع الزرع الفعلي أو نتائج العلاج. تم تصميم النظام لمساعدة اتخاذ القرار السريري بدلاً من استبداله، وتعتبر الدراسات المستقبلية ضرورية للتحقق من دقة النقل، والسلامة، والنتائج السريرية في التطبيقات الواقعية.
DOI: https://doi.org/10.1007/s00784-026-06790-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41729332
Publication Date: 2026-02-23
Author(s): J. Sh. Pan et al.
Primary Topic: Orthodontics and Dentofacial Orthopedics
Overview
The research paper addresses Maxillary Transverse Deficiency (MTD), a common skeletal malocclusion affecting both children and adults, with prevalence rates ranging from 13% to 30%. MTD not only impacts facial aesthetics but also compromises periodontal health and essential oral functions such as mastication and speech. Early diagnosis and intervention are emphasized as crucial for enhancing patients’ oral function and quality of life. In children, Rapid Palatal Expansion (RPE) is the primary treatment method, leveraging growth to address the deficiency.
The study presents a single-center retrospective analysis that developed and validated an AI-assisted workflow for automatic MSE (Maxillary Skeletal Expansion) positioning using Cone Beam Computed Tomography (CBCT) and intraoral scan (IOS) data. The AI system demonstrated a high level of accuracy in comparison to expert digital planning, with a 3D Euclidean error of $0.69 \pm 0.36$ mm, axial Mean Residual Error (MRE) of $0.32 \pm 0.32$ mm, and angular Mean Absolute Error (MAE) of $1.84 \pm 2.13^\circ$. Additionally, the automated process significantly reduced planning time from approximately 45-60 minutes to about 3 minutes per case, thereby enhancing clinical efficiency and potentially alleviating clinician workload. However, the authors recommend multi-center prospective studies to further validate the findings before widespread clinical implementation.
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, as well as their sources and preparation methods. The section also describes the experimental protocols, including the conditions under which experiments were conducted, the controls implemented, and the statistical analyses performed to evaluate the results.
Additionally, the methodology emphasizes the reproducibility of the experiments, providing sufficient detail for other researchers to replicate the study. Key techniques and measurements are specified, ensuring clarity in the approach taken to address the research questions posed. Overall, this section serves as a critical foundation for understanding the validity and reliability of the findings presented in the study.
Results
The results indicate that a linear error threshold of less than 1.13 mm and an angular error threshold of less than 3.84° for MSE positioning are deemed clinically acceptable. These thresholds were established based on inter-expert agreement under conditions of mutual blinding, where the coordinates (X, Y, Z) and pose angles (pitch, yaw, roll) of the CA-point were reported. Discrepancies among experts were resolved through consensus, and the finalized manual plan was designated as the reference standard for further quantitative evaluations.
To derive clinically acceptable error ranges for each parameter, the study employed Bland-Altman analysis to assess the mean bias and the 95% limits of agreement (LoA) between the independent plans of two experts. The clinically acceptable error threshold for each parameter was determined as the half-width of the LoA, calculated as \(1.96 \times \text{standard deviation of the differences}\). This approach addresses the absence of established task-specific error thresholds in the literature.
Discussion
The proposed AI-assisted workflow for automatic MSE (Maxillary Skeletal Expander) positioning integrates various imaging modalities, including Cone Beam Computed Tomography (CBCT) and intraoral scans (IOS), to enhance clinical outcomes in patients with skeletal Class III malocclusion and transverse maxillary deficiency. The workflow comprises five sequential steps: landmark detection, construction of 3D coordinate systems, segmentation of critical anatomical structures, registration of CBCT and IOS data, and a constrained pose search with collision avoidance. The final output is the optimized MSE pose, defined by specific position and orientation parameters.
The study adhered to ethical guidelines and included a cohort of 120 patients, selected based on strict inclusion and exclusion criteria to ensure high-quality data for model training. The dataset was divided into training, validation, and testing subsets to evaluate the performance of the deep learning model effectively. Key anatomical landmarks were annotated and a three-dimensional coordinate system was established to facilitate accurate segmentation and identification of critical structures, such as the incisive foramen and transverse palatine suture. The model demonstrated high segmentation accuracy (mean Intersection over Union of 0.7546) and effective collision avoidance, achieving an avoidance success rate of 100% for the incisive foramen and 96.7% for the transverse palatine suture. Overall, the AI system achieved clinically acceptable linear and angular positioning accuracy, with mean errors of 0.32 mm and 1.84°, respectively, indicating its potential for improving the precision of MSE placement in clinical practice.
Limitations
The proposed automated MSE positioning system demonstrates promising performance; however, several limitations must be considered. Firstly, the dataset utilized was sourced from a single center under a uniform imaging protocol, which may restrict the external validity of the findings. To enhance generalizability, future research should incorporate multi-center datasets. Additionally, the study’s cohort is limited to a specific population characterized by skeletal Class III with maxillary transverse deficiency, raising questions about the system’s applicability to other malocclusion types or craniofacial conditions.
Moreover, the workflow was developed using a single expander design, indicating that modifications may be necessary for different appliance geometries or screw configurations. The segmentation module employed a 2D U-Net for slice-wise predictions, which, while computationally efficient, may not fully utilize 3D contextual information, potentially impacting inter-slice continuity compared to 3D architectures. Lastly, the validation process was retrospective, relying on expert digital planning as a reference, without clinical validation of actual implant positioning or treatment outcomes. The system is designed to assist clinical decision-making rather than replace it, and prospective studies are essential to verify transfer accuracy, safety, and clinical outcomes in real-world applications.