Applications of artificial intelligence and machine learning in orthodontics: a scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: This scoping review aims to provide an overview of the existing evidence on the use of artificial intelligence (AI) and machine learning (ML) in orthodontics, its translation into clinical practice, and what limitations do exist that have precluded their envisioned application. METHODS: A scoping review of the literature was carried out following the PRISMA-ScR guidelines. PubMed was searched until July 2020. RESULTS: Sixty-two articles fulfilled the inclusion criteria. A total of 43 out of the 62 studies (69.35%) were published this last decade. The majority of these studies were from the USA (11), followed by South Korea (9) and China (7). The number of studies published in non-orthodontic journals (36) was more extensive than in orthodontic journals (26). Artificial Neural Networks (ANNs) were found to be the most commonly utilized AI/ML algorithm (13 studies), followed by Convolutional Neural Networks (CNNs), Support Vector Machine (SVM) (9 studies each), and regression (8 studies). The most commonly studied domains were diagnosis and treatment planning-either broad-based or specific (33), automated anatomic landmark detection and/or analyses (19), assessment of growth and development (4), and evaluation of treatment outcomes (2). The different characteristics and distribution of these studies have been displayed and elucidated upon therein. CONCLUSION: This scoping review suggests that there has been an exponential increase in the number of studies involving various orthodontic applications of AI and ML. The most commonly studied domains were diagnosis and treatment planning, automated anatomic landmark detection and/or analyses, and growth and development assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle