Artificial intelligence and mixed reality for dental implant planning: A technical note
Notice bibliographique
Résumé
AIM: The aim of this work is to present a new protocol for implant surgical planning which involves the combined use of artificial intelligence (AI) and mixed reality (MR). METHODS: This protocol involves the acquisition of three-dimensional (3D) patient data through intraoral scanning (IOS) and cone beam computed tomography (CBCT). These data are loaded into AI software which automatically segments and aligns the patient's 3D models. These 3D models are loaded into MR software and used for planning implant surgery through holography. The files are then exported and used to design surgical guides via open-source software, which are 3D printed and used to prepare the implant sites through static computer-assisted implant surgery (s-CAIS). The case is finalized prosthetically through a fully digital protocol. The accuracy of implant positioning is verified by comparing the planned position with the actual position of the implants after surgery. RESULTS: As a proof of principle, the present protocol seems to be to be reliable and efficient when used for planning simple cases of s-CAIS in partially edentulous patients. The clinician can plan the implants in an authentic 3D environment without using any radiology-guided surgery software. The precision of implant placement seems clinically acceptable, with minor deviations. CONCLUSIONS: The present study suggests that AI and MR technologies can be successfully used in s-CAIS for an authentic 3D planning. Further clinical studies are needed to validate this protocol.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».