تخمین مرحله رشدی مندیبل براساس روند تکاملی مهره های گردنی در تصاویر سفالومتری لترال با استفاده از هوش مصنوعی
چکیده
مقدمه: تعیین زمان مناسب درمان ارتودنسی یکی از مهمترین عوامل موثر بر طرح درمان و نتیجه آن است. هدف از این مطالعه، تخمین مرحله رشدی مندیبل به کمک هوش مصنوعی بر اساس روند تکامل مهره های گردنی (CVM) در تصاویر سفالومتری لترال بود. سعی بر این بود تا با عدم استفاده از نامگذاری معمول مراحل CVM و به جای آن با ارتباط دادن مستقیم مهره های گردنی با شیب رشدی مندیبل همخوانی بیشتری بین CVM و شیب رشدی مندیبل بدست بیاوریم .
مواد و روش ها: برای انجام این مطالعه ابتدا اطلاعات مربوط به افرادی که در مراکز رشدی American Association of Orthodontics Foundation (AAOF) وجود دارد بررسی شده و پس از در نظر گرفتن معیار های ورود و خروج در مجموع 200 نفرشامل 108 زن و 92 مرد وارد مطالعه شدند. سپس طول مندیبل در رادیوگرافی های سفالومتری لترال که به صورت سریالی از بیماران گرفته شده بود ، محاسبه شده و گرافی های مربوط بر اساس سرعت رشد مندیبل به 3 مرحله ی قبل از پیک رشدی بلوغ (pre pubertal) ، حین پیک رشدی بلوغ (pubertal) و پس از پیک رشدی بلوغ (post pubertal) جدا و برچسب گذاری شدند. در مجموع 720 تصویر برای ارزیابی با مدل هوش مصنوعی انتخاب شدند. این تصاویر با مدل های هوش مصنوعی مختلف و با استفاده از پارامترهای تشخیصی حساسیت، ویژگی، صحت ، ارزش تشخیصی مثبت(PPV) ، ارزش تشخیصی منفی(NPV) مورد ارزیابی قرار گرفتند.
یافته ها : در تشخیص مرحله pre pubertal و pubertal، شبکه عصبی طراحی شده برای این مطالعه بیشترین حساسیت (به ترتیب 0.76 ، 0.7) و NPV (به ترتیب 0.87 ، 0.84) و شبکه عصبی ResNET-50 بیشترین ویژگی ( به ترتیب 0.85 ، 0.95) ، PPV (به ترتیب 0.77 ، 0.84) و صحت (0.81 ، 0.79) را داشت. برای تشخیص مرحله post pubertal بیشترین حساسیت (0.66) با شبکه عصبی ResNET-50 و بیشترین ویژگی (0.64) ، PPV (0.65)،NPV (0.57) و صحت (0.76) با شبکه طراحی شده برای این مطالعه به دست آمد. بیشترین صحت تشخیصی کلی به دست آمده نیز با استفاده از شبکه طراحی شده برای مطالعه برابر 67 درصد میباشد. همچنین با اختصاص دادن داده بیشتر به مرحله آموزش، این صحت تا 72 درصد افزایش یافت.
نتیجه گیری : مدل هوش مصنوعی آموزش دیده در این مطالعه میتواند با دریافت تصاویر مهره های گردنی وضعیت رشدی مندیبل را با دسته بندی در یکی از سه گروه پیش از وقوع جهش رشدی (pre pubertal)، حین جهش رشدی (pubertal) و پس از جهش رشدی (post pubertal) پیش بینی کند. این مدل صحت تشخیصی بیشتری را در تخمین مراحل pre pubertal و pubertal داشت.