医学人工智能的特点及在口腔正畸中的规范化开发

医学人工智能因为其医疗的属性而具备了特殊性,为了医疗人工智能持续健康发展,须重视其安全风险、伦理责任等方面问题。本文以口腔正畸为例,总结人工智能的特点及其在医学领域应用的特殊性,为正畸领域人工智能的规范化开发提供思路。     

参与式教学在口腔教学中的应用

目的：探讨参与式教学方法在口腔科学教学中的效果。方法：1）确定学习目标。2）创设学习情境。3）分配任务、提出问题、小组讨论、互动解决。4）教师进行学习引导。5）学生上台讲授。6）教师小结。结果：建立和应用参与式教学模式有利于激发学生学习兴趣,并进一步锻炼学生独立思考能力、概括总结能力、表达能力等综合能力。结论：参与式教学模式适应现代医学发展的要求。但是,目前参与式教学方法还需要选择性地进行。     

人工智能技术在口腔专科治疗及护理中的应用

随着人工智能技术的快速发展,人工智能在口腔医学领域的应用越来越受到关注,这必将给口腔专科治疗及护理带来新一轮的技术革新。本文结合国内外人工智能研究和应用现况,主要论述了人工智能在口腔专科治疗及护理中应用的优势,在口腔颌面外科、种植、修复、正畸、内科治疗及导诊、教学等中的应用现状,并对其研发和应用前景进行展望。     

人工智能在口腔临床诊疗中的应用进展

随着大数据时代的到来,人工智能在医疗领域的应用受到广泛关注。人工智能具有客观、精确、微创、省时、高效等诸多优势,将其与口腔临床诊疗相结合,能够提高医生工作效率、节约医疗资源,拥有巨大的应用前景。目前,人工智能已逐步融入口腔修复、口腔颌面外科、正畸、牙体牙髓及牙周病等多个学科：人工智能系统可实现自动备牙、自动排牙及种植体植入;深度学习可用于辅助诊断上颌窦炎症、预测拔牙治疗并发症及辅助截骨手术精确化等,并为口腔头颈肿瘤的诊断、治疗及预后分析提供重要依据;人工智能为头影测量分析带来的突破及对于患者面部吸引力的评估,推进了智能化、个性化正畸治疗的发展;人工智能技术对于影像学等信息的深度学习与分析也促进了牙体、牙髓治疗及牙周病诊疗的完善性与精确性。人工智能技术使口腔临床诊疗由数字化到自动化、智能化的跨越成为可能,其在口腔领域的应用潜力不可小觑。本文将基于人工智能技术基本概念,重点介绍人工智能在口腔各专业领域的应用进展,并简要分析其应用的优势、问题及展望。     

VR/AR技术在口腔教学中的应用探讨

虚拟现实技术(Virtual Reality,VR)与增强现实技术(Augmented Reality,AR)是目前最受关注和应用最多的技术手段之一.随着网络不断成熟和发展,VR/AR技术有望在口腔医学教学中被广泛推广.口腔医学是一门专业性较强的学科,对口腔医学生逻辑思维能力以及动手操作能力要求高.在传统的口腔医学教育模式中,学生临床操作相关的训练较少,致使学生毕业后临床操作技能普遍较差,而VR/AR的应用有望改变这一现状.本研究将对VR/AR技术在口腔教学中的应用进行探讨,分析目前VR/AR在口腔教学中的特点,结合我国教育现状,并对VR/AR在口腔教学中的应用趋势进行展望,以期优化临床训练模式,促进教学效果的提升.     

人工智能在口腔医学领域的应用进展

随着电子计算机技术的发展,人工智能(AI)这门新型学科在医学等各个领域得到广泛应用,口腔医学AI的应用也已起步.AI有望改变现有的口腔医疗模式,为口腔医学的进一步发展引导新的方向.本文将对现阶段AI在口腔疾病预测及诊疗、口腔教学和口腔健康管理中的应用进行综述,并对未来AI在口腔医学领域的应用进行展望.     

人工智能专家系统在口腔修复中的应用

概要介绍了用人工智能方法建立的用于铸造支架可摘义齿设计的专家系统。系统用Ｑｕｉｃｋｂａｓｉｃ和ＴｕｒｂｏＣ混合编程。该系统突破了以往报道的同类专家系统中只考虑缺牙数目、部位而不考虑口腔中其它与义齿设计有关因素的限制，采用分层组建知识库的思想，将义齿设计过程按逻辑关系分成不同层次，有效地解决了这一问题。从而使该专家系统能较真实地模拟口腔高级修复专家的临床检查、诊断，并给出修复前治疗计划和最终的义齿修复方案。该专家系统共含有１１个功能模块，分别完成病历登记、口腔检查、治疗建议、义齿设计、力学分析、参考、解释，各种医疗档案存储管理，收费等功能。应用本系统对２０例患者进行局部义齿设计，与修复专家的设计方案相比，总符合率为８３．６％     

口腔诊疗中人工智能的运用

人工智能是研究使计算机来模拟人的某些思维过程和智能行为如学习、推理、思考、规划等的学科.自从诞生以来,人工智能飞速发展,目前已广泛应用在包括生物医药、金融贸易等领域,而"人工智能+医疗"则承担着推动医学进步,改变医疗现状的重任.口腔医学作为医学的一个重要部分,其病症复杂,操作精密,传统的诊疗方法存在一些亟需解决的问题,...     

人工智能正颌外科的探索与临床初步应用

正颌外科手术是牙颌面畸形最常用的治疗方式。目前正颌外科已经普遍进入数字化阶段,但存在人工操作流程繁杂,重复性劳动比例高、效率低、耗时长,人工设计错误率高等问题。人工智能是解决上述问题的有效方法和研究前沿。本课题组利用人工智能技术建立算法模型,开发出一套可以应用于牙颌面畸形患者临床诊断及手术方案设计的系统,并进行相关临床试验验证其临床使用可行性和准确性,期望其可以应用于临床辅助专科医生的诊疗工作。     

人工智能技术在临床医疗中的应用概述

随着科技的进步和电子计算机技术的飞速发展,人工智能技术应运而生,并已进入人们日常生活的方方面面,在为人们带来便捷的同时,也逐渐改变着人们传统的生活及工作模式.近年来,人工智能技术、互联网和大数据医疗正在以惊人的速度渗透于医学相关的各个领域,这必将对医学发展带来新一轮的革新,重新赋予医疗活动更多的可能.目前,人工智能技术...     

人工智能技术在口腔正畸诊疗中的应用研究进展

近年来,人工智能技术发展迅速,已逐渐应用于临床影像资料处理、辅助诊断及预后评估等领域,研究表明,其能简化医生临床任务,快速提供分析处理结果,具有较高的准确性。在口腔正畸诊疗方面,人工智能可辅助用于二维及三维头影测量快速定点,此外,也广泛应用于三维牙模信息的高效处理与分析,并在决策正畸治疗是否需要拔牙、辅助判断生长发育阶段及正畸预后和美学评估中具有优势。尽管目前人工智能技术的应用受限于训练数据资料的数量与质量,但将其与正畸临床诊疗相结合,可提供更快更有效的分析诊断,为更准确的诊疗决策提供支持。本文就目前人工智能技术在口腔正畸诊疗中的应用进行综述,以期正畸医生在临床中理性看待和合理使用人工智能技术,让人工智能更好服务于正畸临床诊疗,以促进口腔正畸智慧化诊疗流程进一步发展。     

人工智能识别人脸对称性的应用研究

目的:使用人工智能检测正面照判断面部对称程度并评估其临床应用的可行性.方法:收集512名不对称牙颌面畸形患者正面照及正位X线头影测量片,分别利用自行编写的人工智能程序和Dolphin11.8软件进行分析,利用SPSS 25.0软件对两种方法获得的数据进行t检验.结果:双侧面部关键点与正中参考线的距离之比两种方法获得的数...     

人工智能在正畸领域的应用现状及研究进展

新算法的开发利用和计算机功率的不断增强提高了人工智能技术的准确性、可重复性和高效性,使其更广泛地应用于医学各专业,成为当前研究热点.目前人工智能在口腔正畸领域主要应用于X光线片和CBCT的自动定点分析,骨面型及生长发育期的智能诊断,辅助制订治疗方案及辅助临床操作等方面.本文将从以上四个方面对人工智能在口腔正畸领域的应用...     

人工智能技术在口腔颌面部肿瘤诊断中应用的研究进展

随着计算机运算能力的提升,以及医疗数据的积累,人工智能技术(artificial intelligence,AI)在口腔颌面部肿瘤诊断工作中逐步得到应用,可以辅助医生的诊断工作,提升诊疗效率和诊断准确性。近年来的研究更多集中在医疗图像的识别上,常用的方法是由专家对大量图像进行标注,供机器学习图像特征,从而实现智能化的诊断。现有研究已经能通过AI技术对影像学图像、病理切片和肿瘤外观照片等进行智能化分析,实现对肿瘤的诊断。现阶段的研究存在的主要问题是标注数据质量参差不齐、样本量过小、研究问题局限和数据模态单一等。这些问题需要通过算法的不断完善以及大量优质数据的积累逐步解决。未来AI技术发展的方向应该是综合多种来源医疗数据,辅助医生进行诊断,探索利用各种无创、易行的新方法早期发现肿瘤,彻底改变现有诊疗模式。     

An artificial intelligence based referral application to optimize orthodontic referrals in a public oral healthcare system

An artificial intelligence expert system called the Computational Formulation of Orthodontic referral Decisions (CFOD) was created in order to provide decision-making for orthodontic diagnosis and referral in the Emirates public oral healthcare system. Purpose: The study purposes were to validate and implement the CFOD system, and to quantify GP and pediatric dentist referral patterns to the orthodontist specialist before and after implementation of the CFOD system. Materials & Methods: The CFOD system was created using eight mandatory malocclusion variables and a technology and programming stack including PHP, Codelgniter, MySQL and WampServer. The CFOD system was implemented and clinical dentists were trained following validation by 15 experienced orthodontist experts. Pre- and post CFOD system orthodontic referral patterns were analyzed. Results: Seven of eight mandatory malocclusion variables (except crowding) were directly correlated (r = 1) with orthodontist expert evaluation which validated the CFOD system. A comparison of referral patterns of orthodontic patients before and after implementation and training of the CFOD system demonstrated a 10-fold increase for GP referrals and 2-fold for pediatric dentist referrals. Conclusions: An artificial intelligence expert system for orthodontic patient referral can improve the efficiency of a large public oral healthcare system such as found in the United Arab Emirates.     

The validity of an artificial intelligence application for assessment of orthodontic treatment need from clinical images

Aim: To assess the validity of a Convolutional Neural Network (CNN) digital model to detect and localize orthodontic malocclusions from intraoral clinical images. Materials and methods: The sample of this study consisted of the intraoral images of 700 Subjects. All images were intraoral clinical images, in one of the following views: Left Occlusion, Right Occlusion, Front Occlusion, Upper Occlusal, and Lower Occlusal. The following malocclusion conditions were localized: crowding, spacing, increased overjet, cross bite, open bite, deep bite. The images annotations were repeated by the same investigator (S.T) with a one week interval (ICC ≥ 0.9). The CNN model used for this research study was the “You Only Look Once” model. This model can detect and localize multiple objects or multiple instances of the same object in each image. It is a fully convolutional deep neural network; 24 convolutional layers followed by 2 fully connected layers. This model was implemented using the TensorFlow framework freely available from Google. Results: The created CNN model was able to detect and localize the malocclusions with an accuracy of 99.99%, precision of 99.79%, and a recall of 100%. Conclusions: The use of computational deep convolutional neural networks to identify and localize orthodontic problems from clinical images proved valid. The built AI engine accurately detected and localized malocclusion from different views of intra-oral clinical images.