Machine learning in orthodontics: Challenges and perspectives

Liu, Jialing; Chen, Ye; Li, Shihao; Wu, Zhihong

doi:10.17219/acem/138702

Cited by 28 publications

(21 citation statements)

References 69 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…En el campo de la odontología la IA y DL para el diagnóstico, pronóstico, planificación, y tratamiento de la región cráneo-cérvico maxilofacial, en este estudio se pretende organizar sistemáticamente la literatura existente para la aplicación de la IA en la Ortodoncia y las limitaciones por las que se ha impedido su desarrollo previo. Los métodos de DL se han utilizado notablemente en el reconocimiento visual y la detección de objetos como el diagnóstico de osteoporosis, clasificación y segmentación de quistes y tumores maxilofaciales, detección de enfermedad periodontal y detección de puntos cefalométricos (8,9). El diagnóstico en Ortodoncia varía mucho y la decisión de los tratamientos juega un rol fundamental en los mismos, por ejemplo la decisión de tratamientos con o sin extracciones y tratamientos quirúrgicos o no quirúrgicos; esto entonces, cambia la visión entre ortodoncistas, incluso en los casos similares tratados por ISSN: 2697-3391 Vol.…”

Section: Introductionunclassified

“…1.2, pp. 63 -84 marzo 2023 www.anatomiadigital.org el mismo profesional, por lo que se han incorporado métodos de aprendizaje automático mediante el escaneo intraoral y la segmentación de dientes a partir de un tomografía computarizada de haz cónico CBCT por sus siglas en inglés, para la predicción de estos tratamientos por medio de métodos de IA (8).…”

Section: Introductionunclassified

See 1 more Smart Citation

Inteligencia artificial en diagnóstico, pronóstico y planificación del tratamiento de alteraciones de la región cráneo-cérvico maxilofacial en ortodoncia. Revisión de la literatura

Medina

Fernández

Ramos

2023

View full text Add to dashboard Cite

Introducción: La incorporación de la tecnología informática en el diagnóstico, pronóstico, planificación de tratamiento de la región cráneo-cérvico maxilofacial en el área de la salud, ha ido evolucionando a lo largo de los años hasta incorporar estas tecnologías como un auxiliar en estos procedimientos denominada como inteligencia artificial IA, en las últimas décadas ha contribuido a reducir los costos, tiempo, experiencia del profesional y ciertos errores. Objetivo: Esta revisión de la literatura pretendió organizar de manera ordenada la literatura existente sobre la implementación de la IA en salud y el diagnóstico ortodóncico, además de las limitaciones del tema. Métodos: Se realizó mediante la búsqueda electrónica extensiva en diversas bases de datos digitales como Pubmed, Springer, Cochrane, Taylor & Francis y Web of Science, sin temporalidad de tiempo ni exclusión idiomas. Resultados: Para esta revisión se estableció un registro de base de datos un total de 428 estudios. Se realizo un primer cribado dejando 376 artículos; luego de esta selección, se eliminó la bibliografía duplicada, quedando 321 artículos, se excluyeron estudios que no cumplieron con los criterios de selección, lo que resultó en 40 incluidos. Conclusiones: De la literatura existente se encontró que debido a su baja exactitud la IA no se los podría considerar como una herramienta diagnostica definitiva, sino como una ayuda en el diagnóstico, pronóstico y planificación de tratamientos ya que hasta ahora ninguna maquina podría superar la inteligencia humana, pero debemos tener en cuenta que con el aumento de las investigaciones sobre IA en el área de la salud, esta podría a llegar a convertirse en una herramienta muy valiosa especialmente en el campo de la impresión 3D, que ayuda en la fabricación de aparatos accesorios que podrían potenciar los tratamientos de alteraciones en cabeza y cuello.

show abstract

Section: Introductionunclassified

Inteligencia artificial en diagnóstico, pronóstico y planificación del tratamiento de alteraciones de la región cráneo-cérvico maxilofacial en ortodoncia. Revisión de la literatura

Medina

Fernández

Ramos

2023

View full text Add to dashboard Cite

show abstract

“…Orthodontists use image data for clinical decision-making, tracking teeth, and planning treatment. Traditionally, these images have been indexed (i.e., labeled based on clinical features) and stored manually, but as digital dentistry has advanced, imaging data are increasingly indexed and stored in digital archives or patient management systems, allowing for easy retrieval for further diagnostics, treatment, and monitoring [ 1 ]. Therefore, it would be useful to develop a fully automated classification and archiving method to improve the quality of dental work, as well as relieve the workload for orthodontists.…”

Section: Introductionmentioning

confidence: 99%

Artificial Intelligence for Classifying and Archiving Orthodontic Images

Guo

Lin

et al. 2022

BioMed Research International

Self Cite

View full text Add to dashboard Cite

One of the main requirements for orthodontic treatment is continuous image acquisition. However, the conventional system of orthodontic image acquisition, which includes manual classification, archiving, and monitoring, is time-consuming and prone to errors caused by fatigue. This study is aimed at developing an effective artificial intelligence tool for the automated classification and monitoring of orthodontic images. We comprehensively evaluated the ability of a deep learning model based on Deep hidden IDentity (DeepID) features to classify and archive photographs and radiographs. This evaluation was performed using a dataset of >14,000 images encompassing all 14 categories of orthodontic images. Our model automatically classified orthodontic images in an external dataset with an accuracy of 0.994 and macro area under the curve of 1.00 in 0.08 min. This was 236 times faster than a human expert (18.93 min). Furthermore, human experts with deep learning assistance required an average of 8.10 min to classify images in the external dataset, much shorter than 18.93 min. We conclude that deep learning can improve the accuracy, speed, and efficiency of classification, archiving, and monitoring of orthodontic images.

show abstract

“…It has been hypothesized that this increase in accuracy can be attributed to potential non-linear relationships between the independent and dependent variables and interactions between multiple covariates [6][7][8] . However, the increase in ML algorithms compared to traditional parametric methods comes at a signi cant cost: interpretability [9][10][11][12] . Linear regression and logistic regression have clear interpretable output that have been widely studied [13][14][15] .…”

Section: Introductionmentioning

confidence: 99%

Increasing Transparency in Machine Learning through Bootstrap Simulation and Shapely Additive Explanations

Huang¹,

Huang

2022

Preprint

View full text Add to dashboard Cite

Importance: Machine learning methods are widely used within the medical field. However, the reliability and efficacy of these models is difficult to assess. We assessed whether variance calculations of model metrics (e.g., AUROC, Sensitivity, Specificity) through bootstrap simulation and SHapely Additive exPlanations (SHAP) could increase model transparency. Methods Data from the England National Health Services Heart Disease Prediction Cohort was used. XGBoost was used as the machine-learning model of choice in this study. Boost-strap simulation (N = 10,000) was used to empirically derive the distribution of model metrics and covariate Gain statistics. SHapely Additive exPlanations (SHAP) to provide explanations to machine-learning output and simulation to evaluate the variance of model accuracy metrics. Result Among 10,000 simulations completed, we observed that the AUROC ranged from 0.771 to 0.947, a difference of 0.176, the balanced accuracy ranged from 0.688 to 0.894, a 0.205 difference, the sensitivity ranged from 0.632 to 0.939, a 0.307 difference, and the specificity ranged from 0.595 to 0.944, a 0.394 difference. Among 10,000 simulations completed, we observed that the gain for Angina ranged from 0.225 to 0.456, a difference of 0.231, for Cholesterol ranged from 0.148 to 0.326, a difference of 0.178, the MaxHR ranged from 0.081 to 0.200, a range of 0.119, and for Age ranged from 0.059 to 0.157, difference of 0.098. Conclusion Use of simulations to empirically evaluate the variance of model metrics and explanatory algorithms to observe if covariates match the literature are necessary for increased transparency, reliability, and utility of machine learning methods.

show abstract

Machine learning in orthodontics: Challenges and perspectives

Abstract: We acknowledge Dr. Wen Liao for his valuable suggestions. *Jialing Liu and Ye Chen contributed equally to this work.

Cited by 28 publications

References 69 publications

Inteligencia artificial en diagnóstico, pronóstico y planificación del tratamiento de alteraciones de la región cráneo-cérvico maxilofacial en ortodoncia. Revisión de la literatura

Inteligencia artificial en diagnóstico, pronóstico y planificación del tratamiento de alteraciones de la región cráneo-cérvico maxilofacial en ortodoncia. Revisión de la literatura

Artificial Intelligence for Classifying and Archiving Orthodontic Images

Increasing Transparency in Machine Learning through Bootstrap Simulation and Shapely Additive Explanations

Contact Info

Product

Resources

About