|

TAPERRevoir
PUBLIÉ20 février
EST CE QUE JE10.3389/fdmed.2023.1085251

L’intelligence artificielle en dentisterie –

Une revue
ÉDITÉ PAR

Ziad S. Haidar,
Votre Ding1, Jiamin Wu1, Wuyuan Zhao1, Jukka P. Matinlinna1,2,
Université des Andes, Chili

REVU PAR
Michael F. Burrow3et James KH Honey1*
Artak Heboyan, 1Sciences bucco-dentaires appliquées et soins dentaires communautaires, Faculté de médecine dentaire, Université de Hong
Université médicale d'État d'Erevan, Arménie Kong, Pokfulam, RAS de Hong Kong, Chine,2Division de médecine dentaire, École des sciences médicales, Université de
Nishant Kumar, Manchester, Manchester, Royaume-Uni,3Sciences dentaires restauratrices, Faculté de médecine dentaire, Université de Hong

Institut de recherche sur les matériaux et Kong, Pokfulam, Hong Kong RCA, Chine

procédés avancés (CSIR), Inde

*CORRESPONDANCE L'intelligence artificielle (IA) est la capacité des machines à effectuer des tâches qui nécessitent
James KH Frost
normalement l'intelligence humaine. L’IA n’est pas un terme nouveau, le concept d’IA remonte à
jkhtsoi@[Link]
1950. Cependant, ce n’est qu’il y a vingt ans qu’elle est devenue un outil pratique. En raison du
SECTION SPÉCIALISÉE
développement rapide de trois pierres angulaires de la technologie actuelle de l'IA – le big data
Cet article a été soumis à Dental Materials, une
(provenant des appareils numériques), la puissance de calcul et l'algorithme d'IA – au cours des deux
section de la revue Frontiers in Dental Medicine.
dernières décennies, les applications d'IA ont commencé à faciliter la vie des gens. En dentisterie, l’IA
a été adoptée dans toutes les disciplines dentaires, c’est-à-dire la dentisterie opératoire, la
REÇU31 octobre
ACCEPTÉ31 janvier parodontie, l’orthodontie, la chirurgie buccale et maxillo-faciale et la prosthodontie. La majorité des
PUBLIÉ20 février applications de l'IA en dentisterie concernent le diagnostic basé sur des images radiographiques ou

CITATION
optiques, tandis que d'autres tâches ne sont pas aussi applicables que les tâches basées sur l'image,
Ding H, Wu J, Zhao W, Matinlinna JP, Burrow principalement en raison des contraintes de disponibilité des données, d'uniformité des données et
MF et Tsoi JKH (2023) Intelligence artificielle en de puissance de calcul pour le traitement des données 3D. . La dentisterie fondée sur des données
dentisterie — Une revue.
probantes (EBD) est considérée comme la référence en matière de prise de décision par les
Devant. Bosse. Méd 4 : 1085251 . est ce
professionnels dentaires, tandis que les modèles d'apprentissage automatique (ML) d'IA apprennent
que je: 10.3389/fdmed.2023.1085251
de l'expertise humaine. Le ML peut être considéré comme un autre outil précieux pour aider les
DROITS D'AUTEUR
professionnels dentaires à plusieurs étapes des cas cliniques. Cette revue racontait l'histoire et la
© 2023 Ding, Wu, Zhao, Matinlinna, Burrow et Tsoi. Il
s'agit d'un article en libre accès distribué selon les classification de l'IA, résumait les applications de l'IA en dentisterie, discutait de la relation entre
termes duLicence d'attribution Creative Commons l'EBD et le ML et visait à aider les professionnels dentaires à mieux comprendre l'IA en tant qu'outil
(CCBY). L'utilisation, la distribution ou la reproduction
pour faciliter leur travail de routine avec une efficacité améliorée.
sur d'autres forums sont autorisées, à condition que
le(s) auteur(s) original(s) et le(s) titulaire(s) des droits
d'auteur soient crédités et que la publication
originale dans cette revue soit citée, conformément à
MOTS CLÉS
la pratique académique acceptée. Toute utilisation,
distribution ou reproduction non conforme à ces intelligence artificielle (IA), apprentissage automatique, réseaux neuronaux, dentisterie, dentisterie
conditions est autorisée.
factuelle

1. Introduction

La quatrième révolution industrielle ouvre une nouvelle ère numérique, dont l’une des contributions les
plus importantes est l’intelligence artificielle (IA). Alors que de plus en plus d'appareils électroniques facilitent
la vie des gens de manière globale, les données enregistrées par ces appareils ont permis d'utiliser et
d'analyser facilement les données provenant de ces appareils électroniques par l'IA. L’IA fleurit et se
développe rapidement dans tous les secteurs. Il peut apprendre de l’expertise humaine et entreprendre des
tâches qui nécessitent généralement l’intelligence humaine. Une de ses définitions (1) est "la théorie et le
développement de systèmes informatiques capables d'effectuer des tâches nécessitant normalement
l'intelligence humaine, telles que la perception visuelle, la reconnaissance vocale, la prise de décision et la
traduction entre langues ».
L'IA a été adoptée dans de nombreux domaines industriels, tels que les robots, l'automobile, les villes
intelligentes et l'analyse financiè[Link] a également été utilisé en médecine et en dentisterie, par exemple
dans le diagnostic d'imagerie médicale et dentaire, l'aide à la décision, la médecine de précision et
numérique, la découverte de médicaments, la technologie portable, la surveillance hospitalière, la robotique.

Frontières dansMédecine Dentaire 01 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

et assistants virtuels. Dans de nombreux cas, l’IA peut être considérée comme un outil est limité au texte brut, c'est-à-dire à la saisie au clavier, au lieu de la parole. Il
précieux pour aider les dentistes et les cliniciens à réduire leur charge de travail. En s'agit de faire en sorte que le test se concentre uniquement sur la capacité de
plus de diagnostiquer des maladies à l’aide d’une source d’informations unique la machine à répondre logiquement aux questions au lieu de tester sa capacité
destinée à une maladie spécifique, l’IA peut apprendre de plusieurs sources d'interprétation vocale. Si l’évaluateur humain ne peut pas faire la distinction
d’informations (données multimodales) pour diagnostiquer au-delà des capacités entre le candidat humain et la machine, la machine peut être considérée
humaines. Par exemple, des photographies du fond d'œil contenant d'autres données comme ayant réussi le test de Turing, et une telle machine est dite dotée d’une
médicales telles que l'âge, le sexe, l'IMC, les habitudes tabagiques, la tension « intelligence machine ».
artérielle et la probabilité de diabète ont été utilisées pour prédire les maladies Plus tard, en 1955, le terme IA a été proposé pour la première fois lors d'un

cardiaques (2). Ainsi, l’IA peut détecter non seulement les maladies oculaires telles atelier de 2 mois :Projet de recherche d'été de Dartmouth sur l'intelligence artificielle (

que la rétinopathie diabétique grâce à la photographie du fond d’œil, mais également dix) dirigé par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude

les maladies cardiaques. Il semble que l’analyse basée sur l’image à l’aide de l’IA soit Shannon. Cependant, le concept n’était que sur papier. Certaines restrictions ont

solide et réussie. Tous ces éléments reposent sur le développement rapide (en tant empêché les chercheurs de développer de véritables machines à IA dans les années

que résultat) de la capacité de calcul (matériel), de la recherche algorithmique 1950. Premièrement, les ordinateurs d’avant 1949 ne disposaient pas d’une condition

(logiciels) et de grandes bases de données (données d'entrée). Compte tenu de cela, il préalable fondamentale pour les tâches d’IA : il n’y avait pas de fonction de stockage,

existe un grand potentiel d’utilisation de l’IA dans les domaines dentaire et médical. ce qui signifiait que les codes ne pouvaient pas être stockés, ils pouvaient seulement

être exécutés. Deuxièmement, les ordinateurs étaient coûteux à l’époque. Enfin, les

De nombreuses études sur les applications de l’IA en dentisterie sont en sources de financement avaient alors une attitude conservatrice à l’égard de ce

cours ou ont même été mises en pratique dans des domaines tels que le nouveau domaine (11).

diagnostic, la prise de décision, la planification du traitement, la prédiction des De 1957 à 1974, le domaine de l’IA a connu une croissance rapide en
résultats du traitement et le pronostic des maladies. De nombreux avis raison de la croissance de la puissance des ordinateurs, de leur accessibilité et
concernant l’IA dentaire (3–8) ont été publiés, tandis que cette revue vise à des algorithmes d’IA. Les exemples incluent ELIZA, un programme
raconter le développement de l'IA depuis ses premiers stades jusqu'à sa informatique capable d'interpréter le langage parlé et de résoudre des
présentation, à décrire les classifications de l'IA, à résumer les avancées problè[Link] (12). Deux « hivers de l'IA » sont arrivés après la première
actuelles de la recherche sur l'IA en dentisterie et à discuter de la relation entre vague de développement en raison de l'insuffisance des applications pratiques
la dentisterie factuelle (EBD) et IA. Les limites du développement actuel de l’IA et de la réduction du financement de la recherche au milieu des années 1970 et
en dentisterie sont également abordées. à la fin des années 1980 (13). Cependant, l’IA a fait sa percée entre les deux
périodes avec très peu de développements. Dans les années 1980, il s’est
développé selon deux voies : l’apprentissage automatique (ML) et les systèmes

2. Intelligence artificielle experts. Ce sont deux approches opposées de l’IA compte tenu de leur théorie.
ML permet aux ordinateurs d'apprendre par l'expérience (14); les systèmes
2.1. Histoire de l'IA experts, au contraire, simulent le processus de prise de décision des experts
humains (15). En d’autres termes, le ML trouve la solution en apprenant et en
L'intelligence artificielle n'est pas un terme nouveau. Alan Turing a écrit résumant l’expérience par lui-même, tandis que les systèmes experts ont
dans son article « Computing Machinery and Intelligence » (9) dans le numéro besoin d’experts humains pour saisir à l’avance toutes les situations et
de 1950 deEsprit: solutions possibles. Depuis lors, les systèmes experts sont largement utilisés
dans l’industrie. L'exemple inclut le programme R1 (Xcon), un système expert
"Je crois que d'ici la fin du siècle (20e), l'utilisation des mots avec environ 2 500 règles d'aide à la sélection de composants pour
et l'opinion générale cultivée auront tellement changé que l'assemblage informatique qui a été développé (16) et utilisé par DEC, un
l'on pourra parler de pensée machine sans s'attendre à être fabricant d'ordinateurs.
contredit." Deux moments importants dans la vision par ordinateur sont 2012 et
2017. En 2012, un réseau d'apprentissage profond (DL) implémenté par
À l’époque, il n’existait pas de terme pour interpréter l’IA ; Turing a décrit une unité de traitement graphique (GPU) avec huit couches a été
l’IA comme une « machine pensante ». Il a étudié mathématiquement la développé (17), le travail a remporté le ImageNet Large Scale Visual
faisabilité de l’IA et a exploré comment construire des machines intelligentes et Recognition Challenge (ILSVRC) et a obtenu une erreur de classification
évaluer l’intelligence des machines. Il a proposé que les humains résolvent les dans le top 5 de 15,3 %. Le taux d'erreur était inférieur de plus de 10,8 %
problèmes et prennent des décisions en utilisant les informations et les à celui du deuxième. En 2017, SE-NET a encore réduit l'erreur du top 5 à
déductions disponibles ; les machines peuvent également faire la même chose. 2,25 %, dépassant l'erreur humaine du top 5 (5,1 %) (18).
Dans le journal (9), Turing a proposé de tester si une machine peut Des exemples d'IA célèbres plus tard incluent Deep Blue, un système
atteindre une intelligence de niveau humain. Ce test est connu sous le expert de jeu d'échecs, qui a vaincu le champion d'échecs de l'époque Gary
nom de test de Turing. Cela repose sur les lignes suivantes : En Kasparov en 1997 (19); 20 ans plus tard, en 2017, AlphaGo de Google, un
supposant qu'un évaluateur humain puisse distinguer les Programme DL, a vaincu le numéro 1 mondial. 1 joueur classé Jie Ke In A Go
communications en langage naturel entre un candidat humain et une correspondre (20); récemment, fin 2022, OpenAI a lancé ChatGPT (Chat
machine. Il est entendu qu'un évaluateur humain sait que la conversation Generative Pre-trained Transformer), un modèle de génération de texte qui
se déroule entre un humain et une machine, et que l'évaluateur humain, peut générer des réponses de type humain basées sur la saisie de texte, le
le candidat humain et la machine sont séparés les uns des autres. La modèle a fait l'objet de nombreuses discussions depuis son lancement (21). Ces
conversation entre le candidat humain et la machine exemples utilisaient différentes approches d’IA pour fonctionner.

Frontières dansMédecine Dentaire 02 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

2.2. Classification de l'IA les différentes caractéristiques des données non étiquetées (26). L'apprentissage semi-

supervisé se situe entre ces deux éléments, qui utilise une petite quantité de données

Il existe de nombreuses approches permettant de réaliser l’IA ; différents étiquetées ainsi qu'une grande quantité de données non étiquetées pendant l'entraînement (

types d’IA peuvent accomplir différentes tâches et les chercheurs ont créé 27). Récemment, une nouvelle méthode appelée apprentissage faiblement supervisé est

différentes méthodes de classification de l’IA. devenue de plus en plus populaire dans le domaine de l'IA pour réduire les coûts

L’IA est un terme générique désignant toute intelligence non humaine. d'étiquetage. En particulier, la tâche de segmentation d'objets utilise uniquement des

Comme Figure 1le montre, l’IA peut en outre être classée en IA faible et en IA étiquettes au niveau de l'image (c'est-à-dire savoir uniquement quels objets se trouvent dans

forte. L’IA faible, également appelée IA étroite, utilise un programme formé les images) au lieu des informations sur les limites de l'objet ou l'emplacement pour la

pour résoudre des tâches uniques ou spécifiques. L’IA d’aujourd’hui est pour la formation ( 2010 ).28).

plupart une IA faible. Les exemples incluent l'apprentissage par renforcement, L’apprentissage profond est actuellement un domaine de recherche très

par exemple AlphaGo ; traitement du langage naturel, par exemple Google important et constitue un sous-ensemble du ML. Cela peut impliquer à la fois un

Traduction et Amazon Chat Robot ; vision par ordinateur, par exemple Tesla apprentissage supervisé et non supervisé. CommeFigure 2le montre, « profond »

Autopilot, et reconnaissance faciale ; exploration de données, par exemple représente un « réseau neuronal » artificiel composé d'un minimum de trois couches

analyse des clients du marché et recommandation de contenu personnalisé sur nodales : couches d'entrée, plusieurs couches « cachées » et de sortie de telle sorte

les réseaux sociaux (22). L’IA forte fait référence à la capacité et à l’intelligence que chaque couche soit constituée d'un nombre variable de couches interconnectées.

de l’IA qui égalent celles des humains : elle a sa propre conscience et son
comportement aussi flexibles que les humains (23). Strong AI vise à créer un
TABLEAU 1 Une comparaison de l'apprentissage supervisé, de l'apprentissage semi-supervisé et de
algorithme multitâche pour prendre des décisions dans plusieurs domaines. La l'apprentissage non supervisé.

recherche sur une IA forte doit être très prudente car elle pourrait poser des
Articles Supervisé Semi- Sans surveillance
problèmes éthiques et être dangereuse. Il n’existe donc jusqu’à présent aucune
apprentissage supervisé apprentissage
application d’IA performante. apprentissage

Le ML et les systèmes experts sont deux sous-groupes différents d’IA faible.

Type d'entrée Données étiquetées Un mélange de Données non étiquetées
Comme le montre leTableau 1, le ML peut en outre être classé en apprentissage
étiqueté et
supervisé, semi-supervisé et non supervisé sur la base de la théorie des méthodes. données non étiquetées

L'apprentissage supervisé utilise des ensembles de données étiquetés pour la

Précision Lycée Milieu Faible

formation, et ces ensembles de données étiquetés sont le « superviseur » de

Complexité Faible Milieu Lycée
l'algorithme. L'algorithme apprend de l'entrée étiquetée, extrait et identifie les
de la
caractéristiques communes de l'entrée étiquetée pour faire des prédictions sur algorithme

l'entrée non étiquetée (24). Des exemples d'apprentissage supervisé incluent les k
Types de Régression et Régression, Regroupement et
voisins les plus proches, la régression logistique, la forêt aléatoire et la machine à algorithme classification classification, association
vecteurs de support (25). L’apprentissage non supervisé, au contraire, fonctionne tout le regroupement, et

association
seul pour trouver

FIGURE 1
Diagramme schématique de la relation entre l'IA, l'IA forte, l'IA faible, les systèmes experts, l'apprentissage automatique, l'apprentissage profond et le réseau neuronal (NN).

Frontières dansMédecine Dentaire 03 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

nœuds (neurones artificiels) alors que chaque nœudXa un poids traitées uniquement dans le sens direct. Les neurones d'entrée extraient les
associé (wje) et seuil biaisé (t)depuismfacteurs décisifs, donnés caractéristiques des données d'entrée de la couche d'entrée et envoient les
par son propre modèle de régression linéaire (simplifié). Le données aux couches cachées, et les données traversent successivement
le poids est attribué lorsqu’il y a une entrée du nœud. Si toutes les couches cachées. Enfin, les résultats sont résumés et affichés dans la
P.S.m
je1⁄41wjeXjeèmet -0, alors la sortie = 1, ce qui signifie que les données sont couche de sortie. Toutes les couches cachées d'ANN peuvent peser les données
transmis à un autre nœud dans une autre couche. Le processus de reçues des couches précédentes et effectuer des ajustements avant d'envoyer
transmission des données d'une couche à la suivante définit le réseau neuronal les données à la couche suivante. Chaque couche cachée agit comme une
comme un réseau à réaction, similaire à un modèle d'arbre de décision. couche d'entrée et de sortie, permettant à l'ANN de comprendre des
Comme mentionné ci-dessus, un réseau neuronal profond peut extraire des fonctionnalités plus complexes (29).
fonctionnalités des données importées, ce qui ne nécessite aucune intervention

humaine. Au lieu de cela, il peut apprendre ces fonctionnalités à partir de grands

ensembles de données. D’un autre côté, les systèmes experts nécessitent une 2.2.2. CNN
intervention humaine pour apprendre, ce qui ajuste effectivement lewjeett CNN est un type de modèle d'apprentissage profond principalement utilisé pour

manuellement. Par conséquent, moins de données sont nécessaires. la reconnaissance et la génération d'images. La différence moyenne entre ANN et

Les réseaux de neurones (NN) sont des réseaux d’inspiration biologique CNN est que CNN se compose de couches de convolution, en plus de la couche de

qui peuvent être considérés comme les piliers des algorithmes d’apprentissage pooling et de la couche entièrement connectée dans les couches cachées. Les

profond. Il existe différentes variantes de NN, parmi lesquelles les types de couches de convolution sont utilisées pour générer des cartes de caractéristiques des

réseaux de neurones les plus importants sont les réseaux de neurones données d'entrée à l'aide de noyaux de convolution. L'image d'entrée est

artificiels (ANN), les réseaux de neurones à convolution (CNN) et les réseaux complètement pliée par les noyaux. Cela réduit la complexité des images grâce au

antagonistes génératifs (GAN). partage de poids par convolution. La couche de regroupement est généralement

suivie de chaque groupe de couches de convolution, ce qui réduit la dimension des

cartes de fonctionnalités pour une extraction ultérieure des fonctionnalités. La

2.2.1. ANNE couche entièrement connectée est utilisée après la couche de convolution et la

ANN comprend un groupe de neurones et de couches, comme illustré dans couche de pooling. Comme son nom l'indique, la couche entièrement connectée se

Figure 2. Comme mentionné ci-dessus, ce modèle est un modèle de base pour connecte à tous les neurones activés de la couche précédente et transforme les cartes

l’apprentissage profond, composé d’un minimum de trois couches. Les entrées sont de caractéristiques 2D en 1D. Fonctionnalité 1D

FIGURE 2
Diagramme schématique de l’apprentissage profond.

Frontières dansMédecine Dentaire 04 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

les cartes sont ensuite associées à des nœuds de catégories pour la classification (30, 3.1. L'IA en dentisterie opératoire
1999 .31). En utilisant les couches fonctionnelles cachées mentionnées ci-dessus, CNN

a montré une efficacité et une précision supérieures dans la reconnaissance d'images Traditionnellement, les dentistes diagnostiquent les caries par examen
par rapport à ANN. visuel et tactile ou par examen radiographique selon un critère détaillé.
Cependant, la détection de lésions à un stade précoce est difficile en présence
2.2.3. GAN de fissures profondes, de contacts interproximaux serrés et de lésions
GAN est une sorte d'algorithme d'apprentissage profond conçu par secondaires. Finalement, de nombreuses lésions ne sont détectées qu'aux
Goodfellow et al. (32) en 2014. Il s'agit d'une méthode d'apprentissage stades avancés de la carie dentaire, ce qui conduit à un traitement plus
non supervisée conçue pour découvrir automatiquement des modèles à compliqué, c'est-à-dire une couronne dentaire, un traitement canalaire ou
partir des données d'entrée et générer de nouvelles données avec des même un implant. Bien que la radiographie dentaire (qu'elle soit panoramique,
caractéristiques ou des modèles similaires par rapport aux données périapicale ou interproximale) et l'explorateur (ou sonde dentaire) aient été
d'entrée. GAN se compose de deux réseaux de neurones : un générateur largement utilisés et considérés comme des outils de diagnostic très fiables
et un discriminateur. Le but ultime du générateur est de générer des pour détecter les caries dentaires, une grande partie du dépistage et du
données telles que le discriminateur ne puisse pas déterminer si les diagnostic final a tendance à reposer sur l'expérience des dentistes.
données sont générées par le générateur ou à partir des données En dentisterie opératoire, des recherches ont été menées sur la détection
d'entrée d'origine. Le but ultime du discriminateur est de distinguer des caries dentaires, des fractures verticales des racines, des lésions apicales,
autant que possible les données générées par le générateur des données l'évaluation volumétrique de l'espace pulpaire et l'évaluation de l'usure
d'entrée d'origine. Les deux réseaux s'affrontent dans le GAN et les deux dentaire (39–44) (Tableau 2). Dans une radiographie bidimensionnelle (2D),
réseaux s'améliorent au cours de la compétition. chaque pixel de l'image en niveaux de gris a une intensité, c'est-à-dire une
Depuis la conception du GAN, le réseau s’est rapidement répandu dans les luminosité, qui représente la densité de l'objet. En apprenant des
applications d’IA. Ils sont principalement appliqués à la traduction d'image à caractéristiques ci-dessus, un algorithme d'IA peut apprendre le modèle et
image et à la génération de photos plausibles d'objets, de scènes et de fournir des prédictions pour segmenter la dent, détecter les caries,[Link]
personnes (33, 1999 .34). Wu et coll. (35) a proposé un nouveau framework 3D- exemple, Lee et coll. (45) a développé un algorithme CNN pour détecter les
GAN en 2016 basé sur un réseau GAN traditionnel. 3D-GAN génère des objets caries dentaires sur les radiographies périapicales. Kuhnisch et al. (46) a
3D à partir d'un espace 3D donné en combinant les avancées récentes du GAN proposé un algorithme CNN pour détecter les caries sur des images intra-
et des réseaux convolutifs volumétriques. Contrairement à un réseau GAN orales. Selon Schwendicke et al. (47) ont comparé le rapport coût-efficacité de
traditionnel, il peut générer des objets en 3D directement ou à partir d'images l'IA pour la détection des caries proximales avec le diagnostic des dentistes ; les
2D. Il offre un plus large éventail d'applications possibles dans le traitement résultats ont montré que l’IA était plus efficace et moins coûteuse.
des données 3D par rapport à sa forme 2D. Plusieurs études mentionnées ci-dessus ont montré que l’IA a des
résultats prometteurs dans la détection précoce des lésions, avec une précision
identique, voire meilleure, par rapport aux dentistes. Cette réalisation
3. L'IA en dentisterie nécessite une coopération interdisciplinaire entre informaticiens et cliniciens.
Les cliniciens ont étiqueté manuellement les images radiographiques avec
Comme dans d’autres secteurs, l’IA en dentisterie a commencé à l'emplacement des caries tandis que les informaticiens préparaient l'ensemble
s’épanouir ces dernières années. D’un point de vue dentaire, les applications de de données et l'algorithme ML. Enfin, cliniciens et informaticiens ont vérifié et
l’IA peuvent être classées en diagnostic, prise de décision, planification de vérifié conjointement l'exactitude et la précision des résultats de
traitement et prédiction des résultats du traitement. Parmi toutes les l'entraînement (48).
applications de l’IA en dentisterie, la plus populaire est le diagnostic. L'IA peut
établir des diagnostics plus précis et plus efficaces, réduisant ainsi la charge de
travail des dentistes. D’une part, les dentistes s’appuient de plus en plus sur
des programmes informatiques pour prendre des décisions (36, 1999 .37). D’un 3.2. L'IA en parodontie
autre côté, les programmes informatiques à usage dentaire deviennent de plus
en plus intelligents, précis et fiables. La recherche sur l’IA s’est répandue dans La parodontite est l'une des maladies les plus répandues. C'est un fardeau
tous les domaines de la dentisterie. pour des milliards d'individus et, s'il n'est pas traité, il peut entraîner une
Bien qu'un grand nombre d'articles de revues concernant l'IA mobilité dentaire, voire une perte de dents (49). Pour prévenir une parodontite
dentaire aient été publiés, il est encore difficile de comparer les articles grave, une détection et un traitement précoces sont nécessaires. En pratique
en termes de conception d'étude, d'allocation des données (c'est-à-dire clinique, le diagnostic de maladie parodontale repose sur l’évaluation de la
les ensembles de formation, de test et de validation) et de performances profondeur du sondage des poches et de la récession gingivale. L’indice de
du modèle (c'est-à-dire la précision, sensibilité, spécificité, F1, AUC {Zone dépistage parodontal (PSI) est fréquemment utilisé pour quantifier la perte
sous la courbe [de la caractéristique de fonctionnement du récepteur d’attache clinique. Cependant, cette évaluation clinique est peu fiable : le
(ROC)]}, rappel). La plupart des articles n’ont pas entièrement rapporté les dépistage des maladies parodontales repose encore sur l'expérience des
informations ci-dessus. Ainsi, une information minimale sur la dentistes, et ceux-ci peuvent passer à côté d'une perte localisée de tissu
modélisation clinique de l’IA : la liste de contrôle MI-CLAIM (Minimum parodontal (50).
Information about Clinical Artificial Intelligence Modeling) a été En parodontie, l’IA a été utilisée pour diagnostiquer la parodontite et
préconisée pour apporter des niveaux similaires de transparence et classer les types plausibles de maladies parodontales (51, 1999 .52). De
d’utilité à l’application de l’IA en médecine (38). plus, Krois et al. (50) a adopté CNN dans la détection de

Frontières dansMédecine Dentaire 05 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

TABLEAU 2 Exemples d'applications de l'IA en dentisterie opératoire.

Étude Type de données Type de Taille de Précision Sensibilité Spécificité AUC Autre
algorithme base de données les performances
(entraînement/

essai)
Racine verticale Panoramique CNN 240/6 0,75 Précision : 0,93 ;
fracture radiographie F1 : 0,83
détection (40)

Lésion apicale Images CBCT CNN 16/4 0,93 0,88 VPP : 0,87 ;
détection (42) VAN : 0,93

L'usure des dents Informations sur les patients SVM, KNN 245 au total MVS : 0,69
évaluation (43) et les conditions buccales, KNN : 0,48
optique intra-orale
images

Caries dentaires Périapical CNN 2400/6 0,82-0,89 0,81-0,923 0,83-0,94 0,845–

détection (45) radiographie 0,917

Caries dentaires Optique intra-orale CNN 1891/4 92,5%– 0,896-0,957 0,815-0,943 0,955–
détection (46) images 93,3% 0,964

AUC, aire sous la courbe des caractéristiques de fonctionnement du récepteur (ROC) ; CBCT, tomodensitométrie à faisceau conique ; CNN, réseau neuronal convolutif ; KNN, K-Voisin le plus
proche ; VAN, valeur prédictive négative ; PPV, valeur prédictive positive ; SVM, machine à vecteurs de support.

perte osseuse parodontale (PBL) sur les radiographies panoramiques. Selon 3.3. L'IA en orthodontie
Lee et al. (53) a évalué l'utilité potentielle et la précision d'un algorithme CNN
proposé pour détecter automatiquement les dents parodontales compromises. La planification du traitement orthodontique repose généralement sur l’expérience et
Selon Yauney et al. (54) ont affirmé que les affections parodontales pouvaient les préférences des orthodontistes. Comme chaque patient et chaque orthodontiste est
être examinées à l'aide d'un algorithme de CNN développé par leur groupe de unique, le traitement est décidé d’un commun accord par les deux parties.
recherche à partir de données systémiques liées à la santé (Tableau 3). Traditionnellement, les orthodontistes demandent beaucoup d’efforts pour diagnostiquer

une malocclusion, car de nombreuses variables doivent être prises en compte.

TABLEAU 3 Exemples d'applications de l'IA en parodontie.

Étude Type de données Type de Taille de Précision Sensibilité Spécificité AUC Autre
algorithme base de données les performances
(entraînement/

essai)
Os parodontal Panoramique CNN 1456/3 0,81 0,81 0,81 0,89 F1 : 0,78 ;
détection de perte (50) radiographie VPP : 0,76 ;
VAN : 0,85

Gravité de Catégorie bactérienne dans NN, RF, 692/4 NN : 0,80 à 100. NN : 0,67–1. NN : 0,79 à 100. NN :
chronique les biofilms sous-gingivaux, SVM, RLR 0,93 0,95 ; 0,88 ; 0,82–
parodontite Les patients RF : 0,78–10. RF : 0,71–10. RF : 0,72–1. 0,96 ;
prédiction (51) l'information et 0,93 0,96 ; 0,83 ; RF :
affections buccales SVM : 0,78-1. SVM : 0,72-1. SVM : 0,61–1. 0,81–
0,92 0,97 ; 0,82 ; 0,96 ;
RLR : 0,79–10. RLR : 0,75–1. RLR : 0,64–1. SVM :
0,92 0,97 0,81 0,83–
0,96 ;
RLR :
0,82–
0,97

Parodontale Périapical CNN 1392/3 0,734-0,828 0,734–

compromis radiographie 0,826
détection des dents

(53)

Parodontale Santé systémique- CNN 284 au total 0,429 0,677 Précision : 0,271
condition données associées,

examen (54) optique intra-orale

images

AUC, Aire sous la courbe ROC ; CNN, réseau neuronal convolutif ; NN, réseau neuronal ; VAN, valeur prédictive négative ; PPV, valeur prédictive positive ; RF, forêt aléatoire ; RLR, régression
logistique régularisée ; SVM, machine à vecteurs de support.

Frontières dansMédecine Dentaire 06 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

pris en compte dans l'analyse céphalométrique, de sorte qu'il est difficile de Le système d'évaluation a été proposé par Jung et al. (59). Outre son
déterminer le plan de traitement et de prédire le résultat du traitement (55). application dans la prévision des extractions nécessaires à des fins
L’IA est un outil idéal pour résoudre les problèmes orthodontiques. En orthodontiques, l’IA a été adoptée pour localiser des repères
orthodontie, l’IA a des applications (Tableau 4) dans la planification du céphalométriques. Selon Park et coll. (60, 1999 .61) a démontré un
traitement et la prédiction des résultats du traitement, par exemple en algorithme DL pour l'identification automatique de repères
simulant les changements d'apparence des photographies faciales avant et céphalométriques sur des radiographies avec une grande précision.
après le traitement. L'impact du traitement orthodontique, les modèles Boulatova (68) et coll. et Kunz et coll. (69) a développé des algorithmes
squelettiques et les repères anatomiques dans les céphalogrammes latéraux ( d'IA similaires, avec une précision comparable à celle des examinateurs
67) peuvent être clairement visibles à l’aide d’algorithmes d’IA, facilitant humains pour identifier ces points de repère. Un système automatique
grandement la communication entre les patients et les dentistes. de classification du squelette utilisant des radiographies
Un système bayésien d'aide à la décision a été développé par céphalométriques latérales a été proposé par Yu et al. (63).
Thanathornwong (57) pour diagnostiquer la nécessité d'un traitement Outre la localisation et la classification de plusieurs repères céphalométriques,

orthodontique sur la base de données d'entrée liées à l'orthodontie. Selon Xie les systèmes d’IA ont été utilisés dans la planification du traitement orthodontique.

et al. (58) a proposé un modèle ANN pour évaluer si des extractions sont Choi et coll. (64) a proposé un modèle d'IA pour juger si une intervention chirurgicale

nécessaires à partir de radiographies céphalométriques latérales ; Un similaire est nécessaire à l'aide d'une méthode céphalométrique latérale.

TABLEAU 4 Exemples d'applications de l'IA en orthodontie.

Étude Type de données Type de Taille de Précision Sensibilité Spécificité AUC Autre
algorithme base de données les performances
(entraînement/

essai)
Orthodontique Images 3D du visage DL 137 au total N/A
résultats du traitement

prédiction (56)

Diagnostic du Orthodontie- Bayésien 800/2 0,93-0,96 0,94-0,96 0,94–1 0,91

besoin de relation orale réseau
orthodontique données d'état
traitement (57)

Extraction dentaire Orthodontie- ANNE 180/2 0,8

détermination dans indices associés
orthodontique

traitements (58)

Extraction dentaire Céphalométrique ANNE 96/6 0,93 CCI : 0,97 à 0,99

détermination dans variables,
orthodontique orthodontie-
traitements (59) indices associés

Céphalométrique Latéral CNN 1028/2 0,804-0,962

localisation des points de repère céphalométrique

(60, 1999 .61) radiographie

Repère dentaire/ intra-orale intra-orale N.N. 2219/8 Erreurs moyennes :

détection d'axe (62) l'imagerie optique, 0,37 mm (repère

Images CBCT détection); 3,33° (axe
détection)

Squelettique Latéral CNN 5890 au total 0,8951– 0,8427– 0,9213– 0,889–

classification (63) céphalométrique 0,964 0,9459 0,9729 0,991
radiographie

Chirurgie dentaire/ Latéral ANNE 204/1 0,91-0,96 CCI : 0,97 à 0,99

extraction céphalométrique

détermination dans radiographie,

orthodontique orthodontie-
traitements (64) indices associés

Dent Modèles 3D de CNN 1600/4 0,980-0,986 F1 : 0,942

segmentation (65) scanner intra-oral

Dent et alvéolaire Images CBCT CNN 3172/1359 Dent: Dent : 0,921 ;

segmentation osseuse 0,915 Alvéolaire
(66) Alvéolaire quatrième : 0,935

os : 0,93

3D, tridimensionnel ; AUC, Aire sous la courbe ROC ; ANN, réseau de neurones artificiels ; CBCT, tomodensitométrie à faisceau conique ; CNN, réseau neuronal convolutif ; DL, apprentissage
profond ; NN, réseau neuronal ; ICC, coefficient de corrélation intraclasse.

Frontières dansMédecine Dentaire 07 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

radiographies. Il semble que la plupart des applications orthodontiques concernent prédiction, diagnostic, pré-chirurgical orthopédie, discours

l’identification de points de repère et la planification du traitement, qui sont des évaluation et chirurgie (79).
procédures fastidieuses pour les orthodontistes. Une tâche fondamentale dans la La détection et le diagnostic précoces de diverses lésions muqueuses sont
planification du traitement orthodontique consiste à segmenter et à classer les dents. essentiels pour les classer bénignes ou malignes. Une résection chirurgicale est
L’IA a également été utilisée à ces fins sur plusieurs sources, telles que des nécessaire en cas de lésions malignes. Cependant, certaines lésions se
radiographies et des scans optiques numériques 3D de l’arcade complète (65, 1999 . comportent de manière similaire en apparence, nécessitant ainsi un diagnostic
66). Cui et coll. a proposé plusieurs algorithmes d'IA pour segmenter par lames de biopsie et radiographies. Les pathologistes diagnostiquent la
automatiquement les dents sur un modèle dentaire numérique scanné par un maladie en observant la morphologie des échantillons colorés sur des lames de
scanner intra-oral 3D ( 2010 ).65) et des images CBCT (66, 1999 .70). En plus de la verre au microscope (80). C’est un travail fastidieux qui demande beaucoup
segmentation dentaire, ils ont également segmenté l'os alvéolaire, avec une efficacité d’efforts aux pathologistes. Parmi toutes les biopsies qui doivent être
dépassant le travail des radiologues (c'est-à-dire 500 fois plus rapide). L'article affirme examinées, seulement 20 % environ se révèlent être des tumeurs malignes.
également que l'algorithme fonctionne bien dans les cas difficiles présentant des Ainsi, l’IA peut être un outil approprié pour aider les pathologistes dans cette
anomalies dentaires variables (66). tâche.
Selon Warin et al. (74) a utilisé une approche CNN pour détecter les troubles

bucco-dentaires potentiellement malins (OPMD) et le carcinome épidermoïde oral

3.4. L'IA en pathologie buccale et maxillo-faciale (OSCC) dans des images optiques intra-orales. En plus des images optiques intra-

orales, l'OCT a été utilisée pour identifier les lésions bénignes et malignes de la

La pathologie buccale et maxillo-faciale (OMFP) est une spécialité qui muqueuse buccale. Selon James et al. (75) ont utilisé les modèles ANN et SVM pour

examine les conditions pathologiques et diagnostique les maladies de la région distinguer les lésions buccales malignes et dysplasiques. Selon Heidari et al. (76) a

buccale et maxillo-faciale. Le type d’OMFP le plus grave est le cancer de la utilisé un réseau CNN, AlexNet (17), pour distinguer les muqueuses normales des

bouche. Les statistiques de l'Organisation mondiale de la santé (OMS) muqueuses anormales de la tête et du cou. Abureville et coll. (73) a utilisé un

montrent que chaque année, plus de 657 000 patients sont diagnostiqués avec algorithme CNN pour diagnostiquer automatiquement le carcinome épidermoïde oral

un cancer de la bouche dans le monde, parmi lesquels plus de 330 000 décès ( (CSC) à partir d'images d'endomicroscopie laser confocale ; L'étude a montré que

71). Dans OMFP, comme indiqué dansTableau 5, l'IA a fait l'objet de recherches l'algorithme CNN utilisé dans l'étude était particulièrement adapté au diagnostic

principalement pour la détection des tumeurs et du cancer sur la base précoce du CSC. Poedjiastoeti et al. (77) a également utilisé un algorithme CNN pour

d'images radiographiques, microscopiques et échographiques. En outre, des identifier et distinguer l'améloblastome de la tumeur odontogène kératokystique

emplacements anormaux peuvent également être détectés à partir de (KCOT). Les deux tumeurs buccales présentant des caractéristiques radiographiques

radiographies par l’IA (72), comme les nerfs de la cavité buccale, les muscles similaires. En comparant les résultats générés par ordinateur avec les résultats de la

interdigités de la langue et les glandes parotides et salivaires. Les algorithmes biopsie, la précision de l'algorithme CNN s'est avérée être de 83 % et le temps de

de CNN se sont révélés être un outil approprié pour la détection automatique diagnostic était de 38 s. Ces valeurs étaient similaires à celles des spécialistes bucco-

des cancers (73, 1999 .78). Il convient de mentionner que l’IA joue également dentaires et maxillo-faciales.

un rôle dans la gestion du risque de fente labiale et palatine.

TABLEAU 5 Exemples d'applications de l'IA en chirurgie buccale et maxillo-faciale.

Étude Type de données Type de Taille de Précision Sensibilité Spécificité AUC Autre
algorithme base de données les performances
(entraînement/

essai)
Tiers mandibulaire Panoramique CNN 571 au total 0,7232– 0,8462– 0,5532–0,75 0,66– Précision : 0,62 à 0,83 ;
molaire et IAN radiographie (ResNet-50) 0,8065 0,8667 0,83 F1 : 0,61 à 0,73
positionnel
relation
détection (72)

Diagnostic OSCC73) Laser confocal CNN 116 vidéo 0,883 0,866 0,9 0,96
endomicroscopie séquences
images

OPMD et OSCC Optique intra-orale CNN 980 au total 0,73-0,99 0,83-0,99 0,71– Précision : 0,63 à 0,98 ;
diagnostic (74) images 1 F1 : 0,68 à 0,98

Diagnostic des OPMD Images OCT ANN, SVM 128/271 ensembles 0,52 à 0,84 0,83-0,93 0,69-0,82 VPP : 0,51 à 0,95 ;
(75) VAN : 0,76 à 0,96

Diagnostic des OPMD Images OCT CNN 6/15 ensembles 0,82 1 0,7
(76)

Améloblastome et Panoramique CNN 400/1 0,83 0,818 0,833 0,88 Temps de diagnostic : 38 s

Diagnostic KCOT (77) radiographie

AUC, Aire sous la courbe ROC ; CNN, réseau neuronal convolutif ; IAN, nerf alvéolaire inférieur ; KCOT, tumeur odontogène kératokystique ; VAN, négativepvaleur rédictive ; OCT,
tomographie par cohérence optique ; OPMD, trouble oral potentiellement malin ; OSCC : carcinome épidermoïde buccal ; PPV, valeur prédictive positive.

Frontières dansMédecine Dentaire 08 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

3.5. L'IA en prosthodontie arcades dentaires (87), et la prédiction de l'apparence du visage chez les
patients édentés (92).

En prosthodontie, un processus de traitement typique pour préparer une

couronne dentaire comprend la préparation des dents, la prise d'empreintes, la
taille du plâtre, la conception de la restauration, la fabrication, l'essayage etet
la 4. Discussion
cimentation. L’application de l’IA en prosthodontie réside principalement dans
la conception de la restauration (Tableau 6). La CAO/FAO a numérisé le travail Compte tenu du succès de l’IA, il a été prouvé que l’IA peut apprendre au-
de conception de produits commercialisés, notamment CEREC, Sirona, 3Shape, delà de l’expertise humaine. En fait, le développement de l’IA ne peut être
[Link] que cela ait considérablement augmenté l'efficacité du processus de réalisé sans le développement de la technologie informatique (logiciels), de la
conception en utilisant une bibliothèque de dents pour la conception de capacité de calcul (matériel) et de grandes bases de données (données
couronnes, il n'est toujours pas possible d'obtenir une conception sur mesure d’entrée). Les tâches de ML impliquant des modèles 3D nécessitent une
pour chaque patient (81). Avec le développement de l’IA, Hwang et al. (82) et puissance de calcul élevée pour entraîner l'algorithme. La puissance de calcul
Tian et al. (83) a proposé de nouvelles approches basées sur des modèles 2D- actuelle peut encore être insuffisante pour travailler directement sur des
GAN pour générer une couronne en apprenant des conceptions des données 3D afin d'effectuer des tâches de classification ou de régression par
techniciens. Les données d’entraînement étaient des cartes de profondeur 2D rapport aux tâches basées sur des images et des vidéos 2D bien étudiées. Des
converties à partir de modèles dentaires 3D. Ding Ding84) ont signalé un millions de nuages de points ou de maillages dans un modèle 3D ne peuvent
réseau 3D-DCGAN dans la génération de couronnes, qui utilisait des données pas être chargés simultanément sur un GPU. L'échantillonnage et les
3D directement dans le processus de génération de couronnes, la morphologie représentations d'un modèle 3D (c'est-à-dire carte de profondeur, voxels,
des couronnes générées était similaire à celle des dents naturelles. nuage de points et maillage) sont souvent utilisés pour réduire la charge de
L'intégration de l'IA avec la CAO/FAO ou l'impression 3D/4D peut permettre calcul, de sorte que les détails seraient sacrifiés pendant la transition. Outre la
d'obtenir un flux de travail plus souhaitable avec une efficacité élevée (88). L'IA quantité massive de données médicales numérisées utilisées pour la formation
a également été utilisée dans la correspondance des nuances (85et prédiction des modèles ML, le développement d’appareils portables contribue également
du décollement des restaurations CAD/CAM (86). à l’acquisition de mégadonnées médicales. Ainsi, l’évolution des applications
Hormis les prothèses fixes, la conception des prothèses amovibles d’IA dépend largement de l’algorithme d’IA, de la puissance de calcul et des
est plus difficile car davantage de facteurs et de variables doivent être données d’entraînement numérisées.
pris en compte. Aucun algorithme ML n'est disponible pour la conception L’Evidence-Based Dentistry (EBD), une branche plus
de prothèses amovibles alors que plusieurs systèmes experts (basés sur spécifique de l’Evidence-Based Medicine (EBM), est définie
les connaissances) ont été introduits (89– 91). Les algorithmes ML actuels comme «une approche des soins de santé bucco-dentaire qui
sont davantage axés sur l'assistance au processus de conception de nécessite l'intégration judicieuse d'évaluations systématiques
prothèses amovibles, par exemple la classification des des preuves scientifiques cliniquement pertinentes ;

TABLEAU 6 Exemples d'applications de l'IA en prosthodontie.

Étude Type de Type de Taille de Précision Sensibilité Spécificité AUC Autres représentations
données algorithme base de données

(entraînement/

essai)
Génération de couronne Intra-oral GAN 3070/2
(82) scanner/ (Dents)
carte de profondeur

Génération de couronne Intra-oral GAN 700/80 (dents)

(83) scanner/
carte de profondeur

Génération de couronne Intra-oral 3D-DCGAN 600/1

(84) scanner

Correspondance des teintes LABORATOIRE CIE BPNN 39/4 La méthode proposée présentait un

(85) espace colorimétrique ΔE inférieur à celui de la

nombre correspondance visuelle

traditionnelle des nuances.

Résine composite optique CNN 6480/2160 0,985 1 0,998 Précision : 0,97 ;

décollement des couronnes des images de F1 : 0,985
prédiction (86) piliers

Arc dentaire Intra-oral CNN 1016/1 0,995 à 0,997 1 0,98– Précision : 0,25
classification (87) optique 0,99 F1 : 0,4
images

AUC, Aire sous la courbe ROC ; BPNN, réseau neuronal à rétro-propagation ; CIE, commission internationale de l'éclairage ; CNN, réseau neuronal convolutif ; GAN, réseau
contradictoire génératif ; 3D-DCGAN, réseau contradictoire génératif à convolution profonde en 3 dimensions.

Frontières dansMédecine Dentaire 09 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

avec l’expertise clinique du dentiste et les besoins et préférences de traitement du Bien que l’IA explicable ait été étudiée à cet effet (99), l'EBD
patient » (93). L’EBM et l’EBD sont tous deux considérés comme la référence en est simple et dispose d'un mécanisme plus transparent (100
matière de prise de décision des professionnels de la santé. Bien que les modèles ML ).
apprennent de l’expertise humaine, cela peut être considéré comme un autre outil EBD et ML ont leurs propres avantages et inconvénients. Le ML est une
utile pour les professionnels de la santé à plusieurs étapes des cas cliniques. nouvelle approche dans le domaine médical visant à améliorer le diagnostic et
à prédire les résultats du traitement en découvrant des modèles et des
D’une part, le ML pourrait aider les cliniciens à stocker et analyser des associations entre des ensembles de données médicales. Cependant, alors que
connaissances médicales et des données relatives aux patients constamment mises à les applications actuelles de ML reposent principalement sur le même type
jour. Les algorithmes ML sont capables de trouver des modèles dans les données de d'ensemble de données, le ML est capable d'acquérir des informations à partir
diagnostic des patients, d'améliorer les traitements médicaux actuels, de découvrir de de l'EBD, qui utilise différents types de données pour le diagnostic. L'EBD peut
nouveaux médicaments, de recourir à la médecine de précision et de minimiser les également bénéficier de l'ajout du ML pour faciliter la découverte du lien sous-
erreurs humaines. L'EBD a un objectif similaire, mais le ML peut le terminer plus jacent entre les données médicales et la maladie et pour fournir un diagnostic
rapidement car il utilise les données existantes, tandis que l'EBD nécessite meilleur et individualisé. EBD et ML sont complémentaires pour mieux servir
généralement des essais contrôlés randomisés pour atteindre ces objectifs. D’un les cliniciens ; les cliniciens peuvent se référer aux deux pour maximiser leur
autre côté, les données médicales sont difficiles à gérer puisque le diagnostic repose avantage et les appliquer à la pratique médicale.
généralement sur plusieurs sources. Le ML nécessite une grande quantité de

données pour la formation qui peuvent être sujettes à des biais systématiques ou

être inaccessibles ; ceux-ci pourraient influencer le résultat final. Il n'est pas facile 5. Conclusion
d'améliorer la précision d'un modèle ML en augmentant uniquement les données

d'entraînement au lieu d'augmenter la qualité des données. De plus, le ML ne peut De nouvelles technologies sont développées et adoptées rapidement dans le

pas tenir compte des différents diagnostics posés par différents cliniciens utilisant domaine dentaire. L’IA est parmi les plus prometteuses, avec des fonctionnalités

différentes sources de données. telles qu’une grande précision et efficacité si des données d’entraînement impartiales

En outre, les données médicales sont souvent stockées dans des systèmes sont utilisées et qu’un algorithme est correctement entraîné. Les dentistes peuvent

isolés, individualisés et peu interopérables en raison de problèmes tels que des identifier l’IA comme un outil supplémentaire pour réduire leur charge de travail et

problèmes éthiques, de protection des données et d'obstacles améliorer la précision et l’exactitude du diagnostic, de la prise de décision, de la

organisationnels. La recherche sur l'apprentissage fédéré (94) du ML est un planification du traitement, de la prédiction des résultats du traitement et du

moyen potentiel de résoudre les problèmes de protection de la confidentialité pronostic des maladies.

des données. En outre, le personnel professionnel est généralement tenu

d’étiqueter les données dentaires et médicales. Ces limitations conduisent à ce
que les ensembles de données manquent de structure et soient insuffisants, Contributions d'auteur
du moins par rapport à d'autres domaines de l'IA (95). Peu d'apprentissages
par tir ont été étudiés pour résoudre ce problème (96). HD : Méthodologie, Investigation, Visualisation, Rédaction d'une
Pour utiliser des données dentaires et médicales pour la formation ML, il ébauche originale. JW : Rédaction : révision et édition. WZ : rédaction,
faut être très prudent avec ses méthodes de validation complexes, sensibles et révision et édition. JPM : Rédaction – révision et édition. MFB : Écriture
limitées (97). Les données dentaires et médicales provenant des dossiers — révision et édition. JKHT : Conceptualisation, enquête, rédaction –
électroniques sont généralement de faible intégrité. Les données manquent révision et édition. Tous les auteurs acceptent d'être responsables
souvent d'allocation systématique et ne sont pas aléatoires, par ex. les du contenu de l'œuvre. Tous les auteurs ont contribué à l'article et
données collectées à partir d’appareils portables peuvent présenter un risque ont approuvé la version soumise.
d’être trop saines. De plus, le niveau du système de santé dans les différents
pays ou régions est déséquilibré. Les données d'un seul pays ou d'une seule
région pourraient éventuellement conduire à ce que le résultat de la formation Financement
soit précis mais imprécis et ne puisse pas être appliqué à des pays ayant des
conditions de système de santé différentes. Les applications d'IA entraînées Cette étude a été soumise en partie pour répondre aux
par de telles données seront biaisées (95). Le ML utilisant de telles données à exigences du doctorat du premier auteur à l’Université de Hong
longue traîne a été étudié pour minimiser son influence (98). En outre, les Kong. Ce travail a été soutenu par le Fonds général de recherche
résultats de l’IA ne sont souvent pas facilement applicables. Le résultat unique (subvention n° 17120220) du Conseil des subventions de recherche
fourni par la plupart des applications contemporaines de l’IA médicale de Hong Kong et le Fonds pour l'innovation et la technologie
n’éclairera que partiellement la prise de décision requise et complexe des (MHKJFS/075/20) du gouvernement de la région administrative
applications cliniques. Contrairement à l’EBD, ML ne dispose pas de système spéciale de Hong Kong, Chine.
pour surveiller la qualité des données médicales saisies et le degré de biais.
L’EBD a une conscience plus macroscopique et les décisions sont généralement
prises sur la base de plusieurs sources de données afin de minimiser les biais. Conflit d'intérêt
En raison des contraintes mentionnées ci-dessus, certains cliniciens ont réservé
leur avis sur le ML en raison de son mécanisme de « boîte noire », pour lequel Les auteurs déclarent que la recherche a été menée en l’absence
la justification de l'obtention de résultats spécifiques ne peut être expliquée. de toute relation commerciale ou financière pouvant être
interprétée comme un potentiel conflit d’intérêts.

Frontières dansMédecine Dentaire dix frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

Note de l'éditeur organisations, ou celles de l’éditeur, des rédacteurs et des réviseurs.

Tout produit pouvant être évalué dans cet article, ou toute
Toutes les réclamations exprimées dans cet article sont uniquement celles réclamation pouvant être faite par son fabricant, n'est ni garanti ni
des auteurs et ne représentent pas nécessairement celles de leurs affiliés. approuvé par l'éditeur.

Les références

[ PubMed ] [ Réf croisée ] Stevenson [Link] anglais d'Oxford.États-Unis : Oxford University Press (2010). 24. Hastie T, Tibshirani R, Friedman J. Aperçu de l'apprentissage supervisé. Dans : Hastie
T , Tibshirani R , Friedman J , é[Link] éléments de l'apprentissage [Link] York, NY, États-
2. Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS et al. Prédiction des facteurs
Unis : Springer (2009). p. 9-41. est ce que je: 10.1007/978-0-387-84858-7_2
de risque cardiovasculaire à partir de photographies du fond d'œil rétinien via l'apprentissage profond.
Nat Biomed Eng. (2018) 2(3):158-64. est ce que je: 10.1038/s41551-018-0195-0 [ PubMed ] 25. Ray [Link] examen rapide des algorithmes d’apprentissage automatique. Conférence
internationale sur l'apprentissage automatique, le Big Data, le cloud et l'informatique parallèle (COMITCon) ;14-16
[ Article gratuit PMC ] [ PubMed ] 3. Khanagar SB, Al-ehaideb A, Maganur PC, Vishwanathaiah S, Patil
février 2019 (2019).
S, Baeshen HA, et al. Développements, applications et performances de l'intelligence artificielle en
dentisterie : une revue systématique.J Dent Sci. (2021) 16(1):508-2 est ce que je: 10.1016/[Link]. [ PubMed ] 26. Hastie T, Tibshirani R, Friedman J. Apprentissage non supervisé. Dans : Hastie T,
2020.06.019 Tibshirani R, Friedman J, éditeursLes éléments de l'apprentissage [Link] York, NY, États-Unis :
Springer (2009). p. 485-585. [Link]
4. Khanagar SB, Al-Ehaideb A, Vishwanathaiah S, Maganur PC, Patil S, Naik S et al. Portée et
performances de la technologie de l'intelligence artificielle dans le diagnostic orthodontique, la [ PubMed ] 27. Zhu X, Goldberg AB. Introduction à l'apprentissage semi-supervisé.Synth Lect Artif
planification du traitement et la prise de décision clinique : une revue systématique.J Dent Sci. (2021) Intell Mach Learn. (2009) 3(1):1-130. est ce que je: 10.1007/978-3-031-01548-9
16(1):482-9 est ce que je: 10.1016/[Link].2020.05.022
[ PubMed ] 28. Zhou ZH. Une brève introduction à l’apprentissage faiblement supervisé.Révérend Natl Sci.
[ PubMed ] 5. Mahmood H, Shaban M, Indave BI, Santos-Silva AR, Rajpoot N, Khurram SA. Utilisation (2017) 5(1):44-5 est ce que je: 10.1093/nsr/nwx106
de l'intelligence artificielle dans le diagnostic des lésions précancéreuses et cancéreuses de la tête et
du cou : une revue systé[Link] oral. (2020) 110:1 est ce que je: 10.1016/ [ Article gratuit PMC ] [ PubMed ] [ Cross Ref ] 29. Agatonovic-Kustrin S, Beresford R. Concepts de base de la

[Link].2020.104885 modélisation des réseaux neuronaux artificiels (ANN) et son application dans la recherche pharmaceutique.J
Pharm Biomed Anal. (2000) 22(5):717-27. est ce que je: 10.1016/S0731-7085(99)00272-1
[ PubMed ] 6. Farook TH, Jamayet NB, Abdullah JY, Alam MK. Apprentissage automatique et
diagnostics intelligents dans la gestion de la douleur dentaire et orofaciale : une revue systématique. 30. LeCun Y, Bengio Y, Hinton G. Apprentissage [Link]. (2015) 521(7553):436-44. est ce que
Gestionnaire de résolution de la douleur. (2021) 2021:6 est ce que je: 10.1155/2021/6659133 je: 10.1038/nature14539

[ PubMed ] 7. AbuSalim S, Zakaria N, Islam MR, Kumar G, Mokhtar N, Abdulkadir SJ. Analyse des [ PubMed ] 31. Nam [Link] : principes et [Link], Suisse : Springer
techniques d'apprentissage profond pour l'informatique dentaire : une revue systématique de la Nature (2020). est ce que je: 10.1007/978-3-030-34784-0
littérature. Soins de santé. (2022) 10(10):1 est ce que je: 10.3390/healthcare10101892
[ PubMed ] 32. Goodfellow I, Pouget-Abadie J, Mirza M, Xu B, Warde-Farley D, Ozair S, et al. Réseaux
8. Mohammad-Rahimi H, Motamedian SR, Pirayesh Z, Haiat A, Zahedrozegar S, contradictoires géné[Link]ème de processus d'information neuronale avancé. (2014) 27. 2672-80. est ce que
Mahmoudinia E et al. Apprentissage profond en parodontologie et implantologie orale : une je: 10. 5555/2969033.2969125
revue de la portée.J Parodonte Res. (2022) 57(5):942-51. est ce que je: 10.1111/jre.13037
[ Article gratuit PMC ] [ PubMed ] 33. Gui J, Sun Z, Wen Y, Tao D, Ye J. Une revue sur les réseaux adverses
[ PubMed ] 9. Turing AM, Haugeland [Link] informatiques et [Link] : MIT Press génératifs : algorithmes, théorie et applications. Préimpression arXiv arXiv : 200106937 (2020).
Cambridge (1950).
[ Article gratuit PMC ] [ PubMed ] 34. Aggarwal A, Mittal M, Battineni G. Réseau contradictoire génératif : un
[ PubMed ] 10. McCarthy J, Minsky M, Rochester N, Shannon CE. Une proposition pour le aperçu de la théorie et des [Link] J Inf Gérer les informations sur les données. (2021) : 33(1) :1 est ce que
projet de recherche d'été de Dartmouth sur l'intelligence [Link] IA. (2006) je: 10.1016/[Link].2020.100004
27(4):12-14. [Link]
[ PubMed ] 35. Wu J, Zhang C, Xue T, Freeman WT, Tenenbaum [Link] d'un espace latent
[ Article gratuit PMC ] [ PubMed ] 11. Tatnall A. Histoire des ordinateurs : développement matériel et probabiliste de formes d'objets via la modélisation 3D générative-adversative. Actes de la 30e
logiciel. Dans: Encyclopédie des systèmes de survie (EOLSS), développée sous les auspices de Conférence internationale sur les systèmes de traitement de l'information neuronale (2010).2016).
l'[Link], France : Eolss. (2012). [Link]
[ Article gratuit PMC ] [ PubMed ] 36. Schleyer TK, Thyvalikath TP, Spallek H, Torres-Urquidy MH,
12. Weizenbaum J. ELIZA—un programme informatique pour l'étude de la communication Hernandez P, Yuhaniak J. Informatique clinique en dentisterie générale.J Am Med Informer Assoc. (
en langage naturel entre l'homme et la [Link] commune. (1966) 9(1):36-45. est ce que 2006) 13(3):344-52. est ce que je: 10.1197/jamia.M1990
je: 10.1145/365153.365168
[ Article gratuit PMC ] [ PubMed ] 37. Chae YM, Yoo KB, Kim ES, Chae H. L'adoption de dossiers médicaux
[ PubMed ] 13. Hendler J. Éviter un autre hiver de l'[Link]ème Intell IEEE. (2008) 23(02):2–4. est ce électroniques et de systèmes d'aide à la décision en Coré[Link]é Informer Res. (2011) 17(3):172-7. est ce que je:
que je: 10.1109/MIS.2008.20 10.4258/hir.2011.17.3.172

[ PubMed ] 14. Schmidhuber J. Apprentissage [Link]édia. (2015) 10(11):3 est ce que je:10.4249/ [ PubMed ] 38. Norgeot B, Quer G, Beaulieu-Jones BK, Torkamani A, Dias R, Gianfrancesco
scholarpedia.32832 Métal. Informations minimales sur la modélisation de l’intelligence artificielle clinique : la liste
[ Article gratuit PMC ] [ PubMed ] 15. Liebowitz J. Systèmes experts : une brève introduction.Mécanique de fractale légère. (1995) 50(5-1995).
de contrôle [Link] Med. (2020) 26(9):1320–4 est ce que je: 10.1038/s41591-020-1041-y
6) : 601-7. est ce que je: 10.1016/0013-7944(94)E0047-K
[ PubMed ] 39. Huang YP, Lee [Link] méthodologie efficace et fiable pour l’application d’apprentissage
[PubMed] 16. McDermott, juge de [Link] : un expert dans le domaine des systèmes informatiques. Conférence
AAAI sur l'intelligence artificielle (1980). automatique approfondi dans la détection des [Link] (2021).

[ PubMed ] 17. Krizhevsky A, Sutskever I, Hinton GE. Classification d'images avec des réseaux de [ Article gratuit PMC ] [ PubMed ] 40. Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S et al.

neurones convolutifs [Link] commune. (2017) 60(6):84-90. est ce que je: 10.1145/3065386 Évaluation d'un système d'intelligence artificielle pour la détection de fractures radiculaires verticales par
radiographie [Link] oral. (2020) 36(4):337-43. est ce que je: 10.1007/s11282-019-00409-x
[ Article gratuit PMC ] [ PubMed ] 18. Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, et al. Défi de
reconnaissance visuelle d’images à grande é[Link] J Comput Vis. (2015) 115(3):211-52. est ce que je: 10. 1007/ 41. Combattants [Link] des technologies d'apprentissage automatique pour la détection des
s11263-015-0816-y lésions proximales dans les images numériques intra-orales : une étude in [Link], Kentucky,
États-Unis : Université de Louisville (2020). est ce que je: 10.18297/etd/3519
[ PubMed ] 19. Campbell M, Hoane Jr AJ, Hsu FH. Bleu [Link] des artefacts. (2002) 134(1-12).
2):57-83. est ce que je: 10.1016/S0004-3702(01)00129-1 [ Article gratuit PMC ] [ PubMed ] 42. Setzer FC, Shi KJ, Zhang Z, Yan H, Yoon H, Mupparapu M, et al.
Intelligence artificielle pour la détection assistée par ordinateur des lésions périapicales dans les
[ Article gratuit PMC ] [ PubMed ] 20. Chao X, Kou G, Li T, Peng Y. Jie ke versus AlphaGo : une approche de classement utilisant
images tomodensitométriques à faisceau conique.J Endod. (2020) 46(7):987-9 est ce que je: 10.1016/
une méthode de prise de décision pour des données à grande échelle avec des informations incomplè[Link] J Opéra Rés. (2018)
[Link]. 2020.03.025
265(1):239-47. est ce que je: 10.1016/[Link].2017.07.030
[ PubMed ] 43. Jaiswal P, Bhirud S.Étude et analyse d'une approche de classification de l'usure
21. Ouvrez l'IA. Discussion GPT. Optimisation du langage, outils de dialogue. Disponible
dentaire en dentisterie à l'aide d'une technique d'apprentissage automatique. Conférence
sur : [Link] (consulté le 7 février 2023).
internationale de l'IEEE sur la technologie, la recherche et l'innovation pour l'amélioration de la société
[ Article gratuit PMC ] [ PubMed ] 22. Fang G, Chow MC, Ho JD, He Z, Wang K, Ng T, et al. Manipulateur (TRIBES) (2021). IEEE.
robotique souple pour la microchirurgie laser transorale peropératoire guidée par [Link] de science. (2021)
[Résumé] 44. Shetty H, Shetty S, Kakade A, Shetty A, Business MI, Pawar AM et al. Évaluation
6(57) : eabg5 est ce que je: 10.1126/scirobotics.abg5575
volumétrique tridimensionnelle semi-automatique de l’espace pulpaire des dents suite à des
[ PubMed ] 23. Fleurs [Link] forte et faible : considérations deweyennes. Colloque AAAI procédures dentaires régéné[Link]ésentant scientifique. (2021) 11(1):2 est ce que je: 10.1038/
Spring : vers des systèmes d’IA conscients (2019). s41598-021-01489-8

Frontières dansMédecine Dentaire 11 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

[ PubMed ] 45. Lee JH, Kim DH, Jeong SN, Choi SH. Détection et diagnostic des caries dentaires à [ PubMed ] 69. Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Intelligence artificielle en
l'aide d'un algorithme de réseau neuronal convolutif basé sur l'apprentissage profond.J Dent. (2018) orthodontie : évaluation d'une analyse céphalométrique entièrement automatisée à l'aide
77 : 106-1 est ce que je: 10.1016/[Link].2018.07.015 d'un réseau neuronal convolutionnel personnalisé.J Orofac Orthop. (2020) 81(1):52-6 est ce
que je: 10.1007/s00056-019-00203-8
46. Kühnisch J, Meyer O, Hesenius M, Hickel R, Gruhn V. Détection des caries sur images
intra-orales grâce à l'intelligence artificielle.J Dent Rés. (2021) 101(2). est ce que je: 10.1177/ [ Article gratuit PMC ] [ PubMed ] 70. Cui Z, Zhang B, Lian C, Li C, Yang L, Wang W, et [Link] des
00220345211032524 . instances dentaires guidée par la morphologie hiérarchique à partir d'images CBCT. Conférence internationale sur
le traitement de l'information en imagerie médicale (2021), Springer.
[ Article gratuit PMC ] [ PubMed ] 47. Schwendicke F, Rossi J, Göstemeyer G, Elhennawy K, Cantu A,
Gaudin R, et al. Rentabilité de l’intelligence artificielle pour la détection des caries proximales.J Dent 71. Organisation mondiale de la santé. Prévention du cancer [Disponible sur : [Link]
Rés. (2021) 100(4):369-76. est ce que je: 10.1177/0022034520972335 [Link]/cancer/prevention/diagnostic-screening/oral-cancer/en/

[ Article gratuit PMC ] [ PubMed ] 48. Chen YW, Stanley K, Att W. Intelligence artificielle en [ Article gratuit PMC ] [ PubMed ] 72. Choi E, Lee S, Jeong E, Shin S, Park H, Youm S et al. Intelligence artificielle
dentisterie : applications actuelles et perspectives d'[Link] Int. (2020) 51(3):248-5 est ce dans le positionnement entre la troisième molaire mandibulaire et le nerf alvéolaire inférieur en radiographie
que je: 10.3290/[Link].a43952 [Link]ésentant scientifique. (2022) 12(1):1-7. est ce que je: 10.1038/s41598-021-99269-x

[ Article gratuit PMC ] [ PubMed ] 49. Tonetti MS, Jepsen S, Jin L, Otomo-Corgel J. Impact du fardeau mondial des [ Article gratuit PMC ] [ PubMed ] 73. Aubreville M, Knipfer C, Oetter N, Jaremenko C, Rodner E, Denzler J, et al.
maladies parodontales sur la santé, la nutrition et le bien-être de l'humanité : un appel à une action mondiale.J Classification automatique des tissus cancéreux dans les images d'endomicroscopie laser de la cavité buccale
Clin Parodontol. (2017) 44(5):456-62. est ce que je: 10.1111/jcpe.12732 grâce à l'apprentissage [Link]ésentant scientifique. (2017) 7(1):1-10. est ce que je: 10.1038/
s41598-017-12320-8
50. Krois J, Ekert T, Meinhold L, Golla T, Kharbot B, Wittemeier A et al. Apprentissage profond pour la
détection radiographique de la perte osseuse [Link]ésentant scientifique. (2019) 9(1):1–6 [ Article gratuit PMC ] [ PubMed ] 74. Warin K, Limprasert W, Suebnukarn S, Jinaporntham S, Jantana P, Vicharueang

est ce que je: 10.1038/s41598-019-44839-3 S. Analyse basée sur l'IA des lésions buccales à l'aide de nouveaux réseaux neuronaux convolutifs profonds pour
la détection précoce du cancer de la [Link] Un. (2022) 17(8):e0 est ce que je: 10.1371/journal. pone.0273508
[ PubMed ] 51. Kim EH, Kim S, Kim HJ, Jeong Ho, Lee J, Jang J et al. Prédiction de la gravité de la parodontite
chronique à l'aide de modèles d'apprentissage automatique basés sur le nombre de copies bactériennes
[Link] des cellules avant. (2020) 10:6 est ce que je: 10.3389/fcimb.2020.571515 [ PubMed ] 75. James BL, Sunny SP, Heidari AE, Ramanjinappa RD, Lam T, Tran AV et al. Validation
d'un appareil de tomographie par cohérence optique au point d'intervention avec algorithme
[ Article gratuit PMC ] [ PubMed ] 52. HuangW, Wu J, MaoY, Zhu S, HuangGF, Petritis B et al. Développement d'une gamme
d'apprentissage automatique pour la détection de lésions buccales potentiellement malignes et
d'anticorps contre les maladies parodontales pour la prédiction des maladies parodontales graves à l'aide de classificateurs
[Link]. (2021) 13(14):3 est ce que je: 10.3390/cancers13143583
d'apprentissage automatique.J Parodontol. (2020) 91(2):232-43. est ce que je: 10.1002/jper.19-0173
[ PubMed ] 76. Heidari AE, Pham TT, Ifegwu I, Burwell R, Armstrong WB, Tjoson T et al. Utilisation de
[ PubMed ] 53. Lee JH, Kim DH, Jeong SN, Choi SH. Diagnostic et prédiction des dents
la tomographie par cohérence optique et des réseaux neuronaux convolutifs pour distinguer la
parodontales compromises à l'aide d'un algorithme de réseau neuronal convolutif basé sur
muqueuse buccale normale de la muqueuse buccale anormale.J Biophotonique. (2020) 13(3):e2 est ce
l'apprentissage profond.J Implant Parodontal Sci. (2018) 48(2):114-23. est ce que je: 10.5051/
que je: 10. 1002/jbio.201900221
jpis.2018.48.2.114
[ Article gratuit PMC ] [ PubMed ] 77. Poedjiastoeti W, Suebnukarn S. Application du réseau neuronal convolutif
[ Article gratuit PMC ] [ PubMed ] 54. Yauney G, Rana A, Wong LC, Javia P, Muftu A, Shah P. 2010. 2013-2014.
dans le diagnostic des tumeurs de la mâ[Link]é Informer Res. (2018) 24(3):236-41. est ce que je: 10.4258/
Processus automatisé intégrant la segmentation par apprentissage automatique et la corrélation des maladies
hir.2018.24.3.236
bucco-dentaires avec la santé systémique. Actes de la 41e conférence internationale annuelle de l'IEEE
Engineering in Medicine and Biology Society (EMBC) (2019). IEEE. [ Article gratuit PMC ] [ PubMed ] 78. Xu B, Wang N, Chen T, Li M. Évaluation empirique des activations rectifiées
dans un réseau convolutif. Préimpression arXiv arXiv : 150500853 (2015).
[ PubMed ] 55. Bénéfice WR. L’évolution de l’orthodontie vers une spécialité basée sur les donné[Link] J Orthod
Orthop Dento-Faciale. (2000) 117(5):545-7. est ce que je: 10.1016/S0889-5406(00)70194-6 [ Article gratuit PMC ] [ PubMed ] 79. Dhillon H, Chaudhari PK, Dhingra K, Kuo RF, Sokhi RK, Alam MK, et al.
Applications actuelles de l'intelligence artificielle dans le soin des fentes : une revue de la porté[Link] Med. (2021)
[ Article gratuit PMC ] [ PubMed ] 56. Tanikawa C, Yamashiro T. Développement de nouveaux systèmes d'intelligence
8:1-1 est ce que je: 10.3389/fmed.2021.676490
artificielle pour prédire la morphologie du visage après une chirurgie orthognathique et un traitement orthodontique chez des

patients [Link]ésentant scientifique. (2021) 11(1):1-1 est ce que je: 10.1038/s41598-020-79139-8 [ Article gratuit PMC ] [ PubMed ] 80. Chang HY, Jung CK, Woo JI, Lee S, Cho J, Kim SW, et al.
L'intelligence artificielle en pathologie.J Pathol Transl Med. (2019) 53(1):1–12. est ce que je: 10.4132/
[ Article gratuit PMC ] [ PubMed ] 57. Thanathornwong B. Système d'aide à la décision basé sur le bayésien pour
jptm.2018.12.16
évaluer les besoins en matière de traitement [Link]é Informer Res. (2018) 24(1):22-8. est ce que je:
10. 4258/hir.2018.24.1.22 [ PubMed ] 81. Chen Y, Lee JKY, Kwong G, Pow EHN Pow, Tsoi JKH. Morphologie et comportement à
la fracture des couronnes dentaires en disilicate de lithium conçues par une IA humaine et basée sur la
[ Article gratuit PMC ] [ PubMed ] 58. Xie X, Wang L, Wang A. Modélisation de réseaux neuronaux artificiels pour connaissance.J Mech Behav Biomed Mater. (2022) 131:105256 est ce que je:10.1016/[Link].2022.
décider si des extractions sont nécessaires avant un traitement [Link] orthopédique. (2010) 105256
80(2):262-6. est ce que je: 10.2319/111608-588.1
[ PubMed ] 82. Hwang JJ, Azernikov S, Efros AA, Yu SX. Apprendre au-delà de l’expertise humaine
[ PubMed ] 59. Jung SK, Kim TW. Nouvelle approche pour le diagnostic des extractions avec l’apprentissage avec des modèles génératifs pour les restaurations dentaires. Préimpression arXiv arXiv : 180400064
automatique des réseaux [Link] J Orthod Orthop Dento-Faciale. (2016) 149(1):127-33. est ce que je: (2018).
10.1016/[Link].2015.07.030
[ Article gratuit PMC ] [ PubMed ] 83. Tian S, Wang M, Dai N, Ma H, Li L, Fiorenza L, et al. DCPR-GAN :
[ Article gratuit PMC ] [ PubMed ] 60. Park JH, Hwang HW, Moon JH, Yu Y, Kim H, Her SB, et al. restauration de prothèses de couronne dentaire à l'aide de réseaux contradictoires génératifs en deux
Identification automatisée des repères céphalométriques : partie 1 – comparaisons entre les dernières é[Link] sur la santé IEEE J Biomed. (2021) 26(1):151-60. est ce que je: 10.1109/JBHI.
méthodes d'apprentissage profond YOLOV3 et [Link] orthopédique. (2019) 89(6):903–9. est ce que 2021.3119394
je: 10.2319/022019-127.1
[ PubMed ] 84. Ding H, Cui Z, Maghami E, Chen Y, Matinlinna JP, Pow EHN et al.
[ Article gratuit PMC ] [ PubMed ] 61. Hwang HW, Park JH, Moon JH, Yu Y, Kim H, Her SB, et al. Morphologie et performances mécaniques de la couronne dentaire conçue par 3D-DCGAN.
Identification automatisée des repères céphalométriques : partie 2-pourrait-il être meilleur que Question de bosses. (2023) est ce que je: 10.1016/[Link].2023.02.001
l'humain ? Angle orthopédique. (2020) 90(1):69-7 est ce que je: 10.2319/022019-129.1
[ Article gratuit PMC ] [ PubMed ] 85. Wei J, Peng M, Li Q, Wang Y. Évaluation d'un nouveau système
[ Article gratuit PMC ] [ PubMed ] 62. Wei G, Cui Z, Zhu J, Yang L, Zhou Y, Singh P, et al. Réseau dense et informatique de correspondance des couleurs basé sur le modèle amélioré de réseau neuronal de rétro-
représentatif de détection de repères/axes dentaires sur modèle 3D.Géométrie assistée par ordinateur. (2022) propagation.J Prosthodonte. (2018) 27(8):775-83. est ce que je: 10.1111/jopr.12561
94:1 est ce que je: 10.1016/[Link].2022.102077
[ Article gratuit PMC ] [ PubMed ] 86. Yamaguchi S, Lee C, Karaer O, Ban S, Mine A, Imazato S. Prédire
[ Article gratuit PMC ] [ PubMed ] 63. Yu H, Cho S, Kim M, Kim W, Kim J, Choi J. Classification le décollement des couronnes en résine composite CAD/CAM avec l'IA.J Dent Rés. (2019) 98(11):1234-8
automatisée du squelette avec céphalométrie latérale basée sur l'intelligence artificielle.J Dent Rés. ( est ce que je: 10.1177/0022034519867641
2020) 99(3):249-56. est ce que je: 10.1177/0022034520901715
[ Article gratuit PMC ] [ PubMed ] 87. Takahashi T, Nozaki K, Gonda T, Ikebe K. Un système de
[ Article gratuit PMC ] [ PubMed ] 64. Choi HI, Jung SK, Baek SH, LimWH, Ahn SJ, Yang IH, et al. conception de prothèses partielles amovibles utilisant l'intelligence artificielle. Partie 1. Classification
Modèle intelligent artificiel avec apprentissage automatique de réseau neuronal pour le diagnostic de des arcs partiellement édentés à l'aide d'un réseau neuronal convolutif.J Prosthodont Res. (2021)
la chirurgie orthognathique. J Craniofac Surg. (2019) 30(7):1986-9. est ce que je: 10.1097/SCS 65(1):115-8. est ce que je: 10.2186/jpr.jPOR_2019_354

[ Article gratuit PMC ] [ PubMed ] 65. Cui Z, Li C, Chen N, Wei G, Chen R, Zhou Y, et al. TSegnet : un [ Résumé ] 88. Rokaya D, Kongkiatkamon S, Heboyan A, Dam VV, Amornvit P, Khurshid Z, et al.
réseau de segmentation dentaire efficace et précis sur modèles dentaires [Link] Image Anale. (2021) Biomatériaux imprimés en 3D dans les applications biomédicales. Dans : S Jana, S Jana, éditeurs.
69:1 est ce que je: 10.1016/[Link].2020.101949 Biomatériaux fonctionnels : administration de médicaments et applications biomé[Link] :
Springer Singapour (2022). p. 319-39.
[ Article gratuit PMC ] [ PubMed ] 66. Cui Z, Fang Y, Mei L, Zhang B, Yu B, Liu J, et al. Un système d’IA
entièrement automatique pour la segmentation des dents et des os alvéolaires à partir d’images CT à faisceau [ Article gratuit PMC ] [ PubMed ] 89. Sporring J, Hommelhoff Jensen K. Bayes Reconstruction des dents
[Link] Commun. (2022) 13(1):1-1 est ce que je: 10.1038/s41467-022-29637-2 manquantes.J Math Imaging Vis. (2008) 31(2):245-54. est ce que je: 10.1007/s10851-008-0081-6

[ Article gratuit PMC ] [ PubMed ] 67. Junaid N, Khan N, Ahmed N, Abbasi MS, Das G, Maqsood A. [ PubMed ] 90. Zhang J, Xia JJ, Li J, Zhou X. Occlusion dentaire numérique basée sur la reconstruction
Développement, application et performance de l'intelligence artificielle dans l'identification et le de la dentition partiellement édenté[Link] sur la santé IEEE J Biomed. (2017) 21(1):201-10. est
diagnostic des repères céphalométriques : une revue systé[Link] de santé. (2022) 10(12):2 est ce que je: 10.1109/jBHI.2015.2500191
ce que je: 10.3390/healthcare10122454
[ Article gratuit PMC ] [ PubMed ] 91. Chen Q, Lin S, Wu J, Lyu P, Zhou Y. Dessin automatique de
[ PubMed ] 68. Bulatova G, Kusnoto B, Grace V, Tsay TP, Avenetti DM, Sanchez FJC. Évaluation de diagrammes de prothèses partielles amovibles personnalisés basés sur une conception textuelle pour
l’identification automatique de points de repère céphalométriques à l’aide de l’intelligence artificielle. le système d'aide à la décision clinique.J Oral Sci. (2020) 62(2):236-8. est ce que je: 10.2334/
Orthod Craniofac Res. (2021) 24:37-4 est ce que je: 10.1111/ocr.12542 josnusd.19-0138

Frontières dansMédecine Dentaire 12 frontiè[Link]

Ding et coll. 10.3389/fdmed.2023.1085251

[ Article gratuit PMC ] [ PubMed ] 92. Cheng C, Cheng X, Dai N, Jiang X, Sun Y, Li W. Prédiction de la [ PubMed ] 96. Ge Y, Guo Y, Yang YC, Al-Garadi MA, Sarker A. Apprentissage en quelques étapes pour un texte
déformation faciale après une prothèse complète à l'aide du réseau neuronal [Link] Biol Med. ( médical : une revue systématique. Préimpression arXiv arXiv :220414081 (2022).
2015) 66 : 103-12. est ce que je: 10.1016/[Link].2015.08.018
[ PubMed ] 97. West JR, Gamm LD. Échange d'informations sur la santé : défis persistants et nouvelles
93. Association dentaire américaine. Politique sur la dentisterie fondée sur des données probantes stratégies.J Am Med Informer Assoc. (2010) 17(3):288-94. est ce que je: 10.1136/jamia.2010.003673
(2001). Disponible sur : [Link]
[ Article gratuit PMC ] [ PubMed ] 98. Zhang Y, Kang B, Hooi B, Yan S, Feng J. Apprentissage profond à longue queue : une
policy-on-evidence-based-dentistry
enquête. Préimpression arXiv arXiv :211004596 (2021).
[ Résumé ] 94. Rieke N, Hancox J, Li W, Milletarì F, Roth HR, Albarqouni S, et al. L’avenir de la santé
numérique avec l’apprentissage fédéré.NPJ Chiffre Med. (2020) 3(1):1 est ce que je: 10.1038/ [ Article gratuit PMC ] [ PubMed ] 99. Hagras H. Vers une IA compréhensible et explicable par l'[Link]. (2018)

s41746-020-00323-1 (9) : 28-36. est ce que je: 10.1109/MC.2018.3620965

[ PubMed ] 95. Schwendicke F, Samek W, Krois J. Intelligence artificielle en dentisterie : 100. Déo RC. Apprentissage automatique en mé[Link]. (2015) 132(20):1920-30.
chances et défis.J Dent Rés. (2020) 99(7):769-7 est ce que je: 10.1177/0022034520915714 est ce que je: 10.1161/circulation.115.001593

Frontières dansMédecine Dentaire 13 frontiè[Link]