Перспективи застосування штучного інтелекту в стоматології
DOI:
https://doi.org/10.33295/1992-576X-2024-5-72Ключові слова:
стоматологія, штучний інтелект, глибоке навчання, діагностика та прийняття клінічних рішеньАнотація
Вступ. В останні роки штучний інтелект (ШІ) знайшов широке застосування в охороні здоров’я та стоматології, де він підвищив точність діагностики та прийняття клінічних рішень. Однак рішення штучного інтелекту в основному не увійшли в повсякденну стоматологічну практику, головним чином через обмежену доступність даних, структуру та комплексність, відсутність методологічної строгості та стандартів у їх розробці й практичні питання щодо цінності та корисності цих рішень, а також через етику та відповідальність. Будь-яке застосування штучного інтелекту в стоматології має демонструвати відчутну цінність, наприклад, покращуючи доступ до медичної допомоги та її якість, підвищуючи ефективність і безпеку послуг, надаючи пацієнтам можливості та підтримуючи медичні дослідження або збільшуючи сталість.
Мета: на підставі аналізу літературних джерел визначити перспективи та доцільність впровадження застосування штучного інтелекту в стоматології.
Матеріали та методи. Інформаційний пошук та аналіз наукових джерел проведено із використанням наукометричних баз Web of Science, PubMed, Google Scholar за останні 10 років.
Висновок. Наступне десятиліття покаже, чи цього разу очікування щодо реальних застосувань штучного інтелекту будуть виправдані, або ж ми знову зіткнемося з «зимою ШІ», яка поховає надії та ентузіазм. Існують обґрунтовані занепокоєння щодо захисту та безпеки даних, а також передачі важливих медичних рішень комп’ютерам. Водночас штучний інтелект має потенціал здійснити революцію в галузі охорони здоров’я, включаючи стоматологію, допомагаючи усунути недоліки традиційної стоматологічної допомоги, які зазнають гострої критики.
Ключові слова: стоматологія, штучний інтелект, глибоке навчання, діагностика та прийняття клінічних рішень.
Завантаження
Посилання
Joda, T, Waltimo, T, Probst-Hensch, N, Pauli-Magnus, C, Zitzmann, NU. Health Data in Dentistry: An Attempt to Master the Digital Challenge. Public Health Genomics. 2019;22(1–2):1–7. DOI: https://doi.org/10.1159/000501643. Epub 2019 Aug 7. PMID: 31390644.
Chen, YW, Stanley, K, Att, W. Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int. 2020;51(3):248-257. DOI: https://doi.org/10.3290/j.qi.a43952. Erratum in: Quintessence Int. 2020;51(5):430. DOI: https://doi.org/10.3290/j.qi.a44465. PMID: 32020135.
Holmes, J., Sacchi, L., & Bellazzi, R. (2004). Artificial intelligence in medicine. Ann R Coll Surg Engl, 86, 334–8. DOI: https://doi.org/10.1308/147870804290. PMID: 15333167
Greenhill, A. T., & Edmunds, B. R. (2020). A primer of artificial intelligence in medicine. Techniques and Innovations in Gastrointestinal Endoscopy, 22(2), 85–89. DOI: https://doi.org/10.1016/j.tgie.2019.150642
Malik, P., Pathania, M., & Rathaur, V. K. (2019). Overview of artificial intelligence in medicine. Journal of family medicine and primary care, 8(7), 2328–2331. PMID: 31463251
Hamet, P., Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36–S40. PMID: 28126242.
Haenlein, M., Kaplan, A. (2019). A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence. California Management Review, 61 (4), 5–14. DOI: https://doi.org/10.1177/0008125619864925.
Faber, J, Faber, C, Faber, P. Artificial intelligence in orthodontics. APOS Trends Orthod 2019;9(4):201–205. DOI: https://doi.org/10.25259/APOS_123_2019
Rajpurkar, P, Irvin, J, Ball, RL, Zhu, K, Yang, B, et al. (2018). Deep learning for chest radiograph diagnosis: A retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med, 15 (11),e1002686. DOI: https://doi.org/10.1371/journal.pmed.1002686. PMID: 30457988; PMCID: PMC6245676.
Yu, AC., Mohajer, B., Eng, J. (2022). External Validation of Deep Learning Algorithms for Radiologic Diagnosis: A Systematic Review. Radiol Artif Intell., 4(3),e210064. DOI: https://doi.org/10.1148/ryai.210064. PMID: 35652114; PMCID: PMC9152694.
Prados-Privado, M., García Villalón, J., Hugo Martínez-Martínez, C., et al. (2020). Dental Caries Diagnosis and Detection Using Neural Networks: A Systematic Review. Journal of Clinical Medicine, 11, 3579. DOI: https://doi.org/10.3390/jcm9113579
Haitham, A., Krois, J., Rohrer, C., Mertens, S. et al. (2021). Detecting white spot lesions on dental photography using deep learning: A pilot study. Journal of Dentistry, 107: 103615, PMID: 33617941, DOI: https://doi.org/10.1016/j.jdent.2021.103615.
Pianykh, OS., Langs, G., Dewey, M., Enzmann, DR., Herold, CJ., Schoenberg, SO., Brink, JA. (2020). Continuous Learning AI in Radiology: Implementation Principles and Early Applications. Radiology, 297 (1), 6–14. DOI: https://doi.org/10.1148/radiol.2020200038. Epub 2020 Aug 25. PMID: 32840473.
Milam, ME., Koo, CW. (2023). The current status and future of FDA-approved artificial intelligence tools in chest radiology in the United States. Clin Radiol.,78 (2), 115–122. DOI: https://di.org/10.1016/j.crad.2022.08.135. Epub 2022 Sep 28. PMID: 36180271.
Giełczyk A, Marciniak A, Tarczewska M, Kloska SM, Harmoza A, Serafin Z, Woźniak M. A Novel Lightweight Approach to COVID-19 Diagnostics Based on Chest X-ray Images. J Clin Med. 2022 Sep 20;11(19):5501. DOI: https://doi.org/10.3390/ jcm11195501. PMID: 36233368; PMCID: PMC9571927.
Kloska, A., Tarczewska, M., Giełczyk, A., Kloska, SM., Michalski, A., Serafin, Z., Woźniak, M. (2023). Influence of augmentation on the performance of the double ResNet-based model for chest X-ray classification. Pol J Radiol., 88, 244–250. DOI: https://doi.org/10.5114/pjr.2023.126717. PMID: 37346422; PMCID: PMC10280365.
Matsubara, K., Ibaraki, M., Nemoto, M., Watabe, H., Kimura, Y. (2022). A review on AI in PET imaging. Ann Nucl Med., 36 (2), 133–143. DOI: https://doi.org/10.1007/s12149-021-01710-8. Epub 2022 Jan 14. PMID: 35029818.
Wang, B., Jin, S., Yan, Q., Xu, H., Luo, C. et al. (2021). AI-assisted CT imaging analysis for COVID-19 screening: Building and deploying a medical AI system. Appl Soft Comput., 98, 106897. DOI: https://doi.org/10.1016/j.asoc.2020.106897. Epub 2020 Nov 10. PMID: 33199977; PMCID: PMC7654325.
Ding, Hao & Wu, Jiamin & Zhao, Wuyuan & Matinlinna, Jukka & Burrow, Michael & Tsoi, James. (2023). Artificial intelligence in dentistry—A review. Frontiers in Dental Medicine. 4. DOI: https://doi.org/1085251.10.3389/fdmed.2023.1085251.
Schwendicke, F., Samek, W., Krois, J. (2020). Artificial Intelligence in Dentistry: Chances and Challenges. J Dent Res., 99 (7), 769–774. DOI: https://doi.org/10.1177/0022034520915714. Epub 2020 Apr 21. PMID: 32315260; PMCID: PMC7309354.
Lee, JS., Adhikari, S., Liu, L., Jeong, HG., Kim, H., Yoon, SJ. (2019). Osteoporosis detection in panoramic radiographs using a deep convolutional neural network-based computer-assisted diagnosis system: a preliminary study. Dentomaxillofac Radiol.,48 (1), 20170344. DOI: https://doi.org/10.1259/dmfr.20170344. Epub 2018 Jul 13. PMID: 30004241; PMCID: PMC6398904.
Zhang, K., Wu, J., Chen, H., Lyu, P. (2018). An effective teeth recognition method using label tree with cascade network structure. Comput Med Imaging Graph., 68, 61–70. DOI: https://doi.org/10.1016/j.compmedimag.2018.07.001. Epub 2018 Jul 17. PMID: 30056291.
Casalegno, F., Newton, T., Daher, R., Abdelaziz, M., Lodi-Rizzini, A., Schürmann, F., Krejci, I., Markram, H. (2019). Caries Detection with Near-Infrared Transillumination Using Deep Learning. J Dent Res, 98 (11), 1227–1233. DOI: https://doi.org/10.1177/0022034519871884. Epub 2019 Aug 26. PMID: 31449759; PMCID: PMC6761787.
Kise, Y., Ikeda, H., Fujii, T., Fukuda, M., Ariji, Y., Fujita, H., Katsumata, A., Ariji, E. (2019). Preliminary study on the application of deep learning system to diagnosis of Sjögren’s syndrome on CT images. Dentomaxillofac Radiol., 48 (6), 20190019. DOI: https://doi.org/10.1259/dmfr.20190019. Epub 2019 May 22. PMID: 31075042; PMCID: PMC6747436.
Ekert, T., Krois, J., Meinhold, L., Elhennawy, K., Emara, R., Golla, T., Schwendicke, F. (2019). Deep Learning for the Radiographic Detection of Apical Lesions. J Endod., 45 (7), 917–922. DOI: https://doi.org/10.1016/j.joen.2019.03.016. Epub 2019 Jun 1. PMID: 31160078.
Monill-González, A., Rovira-Calatayud, L., d’Oliveira, NG., Ustrell-Torrent, JM. (2021). Artificial intelligence in orthodontics: Where are we now? A scoping review. Orthod Craniofac Res., 24 (2), 6–15. DOI: https://doi.org/10.1111/ocr.12517. Epub 2021 Aug 2. PMID: 34270881.
Thanathornwong, B. (2018). Bayesian-Based Decision Support System for Assessing the Needs for Orthodontic Treatment. Healthc Inform Res., 24 (1), 22–28. DOI: https://doi.org/10.4258/hir.2018.24.1.22. Epub 2018 Jan 31. PMID: 29503749; PMCID: PMC5820082.
Kök H, Acilar AM, İzgi MS. Usage and comparison of artificial intelligence algorithms for determination of growth and development by cervical vertebrae stages in orthodontics. Prog Orthod. 2019 Nov 15;20(1):41. DOI: https://doi.org/10.1186/ s40510-019-0295-8. PMID: 31728776; PMCID: PMC6856254.
Choi HI, Jung SK, Baek SH, Lim WH, Ahn SJ, Yang IH, Kim TW. Artificial Intelligent Model With Neural Network Machine Learning for the Diagnosis of Orthognathic Surgery. J Craniofac Surg. 2019 Oct;30(7):1986–1989. DOI: https://doi.org/10.1097/SCS.0000000000005650. Erratum in: J Craniofac Surg. 2020 Jun;31(4):1156. DOI: https://doi.org/10.1097/SCS.0000000000006531. PMID: 31205280.
Yu, HJ., Cho, SR., Kim, MJ., Kim, WH., Kim, JW., Choi, J. (2020). Automated Skeletal Classification with Lateral Cephalometry Based on Artificial Intelligence. J Dent Res., 99 (3), 249–256. DOI: https://doi.org/10.1177/0022034520901715. Epub 2020 Jan 24. PMID: 31977286.
Yauney, G., Rana, A., Wong, LC., Javia, P., Muftu, A., Shah, P. (2019). Automated Process Incorporating Machine Learning Segmentation and Correlation of Oral Diseases with Systemic Health. Annu Int Conf IEEE Eng Med Biol Soc., 3387–3393. DOI: https://doi.org/10.1109/EMBC.2019.8857965. PMID: 31946607.
Krois, J., Ekert, T., Meinhold, L., Golla, T., Kharbot, B., Wittemeier, A., Dörfer, C., Schwendicke, F. (2019). Deep Learning for the Radiographic Detection of Periodontal Bone Loss. Sci Rep., 9 (1), 8495. DOI: https://doi.org/10.1038/s41598-019-44839-3. PMID: 31186466; PMCID: PMC6560098.
Zhang, W., Li, J., Li, ZB., Li, Z. (2018). Predicting postoperative facial swelling following impacted mandibular third molars extraction by using artificial neural networks evaluation. Sci Rep, 8 (1), 12281. DOI: https://doi.org/10.1038/s41598-018-29934-1. PMID: 30115957; PMCID: PMC6095904.
Patil, Dr & Vineetha, Ravindranath & Vatsa, Saumya & Shetty, Dasharathraj & Raju, Adithya & Naik, Nithesh & Malarout, Namesh. (2020). Artificial neural network for gender determination using mandibular morphometric parameters: A comparative retrospective study. Cogent Engineering. 7. DOI: https://doi.org/10.1080/23311916.2020.1723783.
Gao, X., Xin, X., Li, Z., Zhang, W. (2021). Predicting postoperative pain following root canal treatment by using artificial neural network evaluation. Sci Rep, 11 (1), 17243. DOI: https://doi.org/10.1038/s41598-021-96777-8. PMID: 34446767; PMCID: PMC8390654.
Danks, RP., Bano, S., Orishko, A., Tan, HJ., Moreno Sancho, F., D’Aiuto, F., Stoyanov, D. (2021). Automating Periodontal bone loss measurement via dental landmark localisation. Int J Comput Assist Radiol Surg., 16 (7), 1189–1199. DOI: https://doi.org/10.1007/s11548-021-02431-z. Epub 2021 Jun 21. PMID: 34152567; PMCID: PMC8260405.
Li, P., Kong, D., Tang, T., Su, D., Yang, P., Wang, H., ... & Liu, Y. (2019). Orthodontic treatment planning based on artificial neural networks. Scientific reports, 9 (1), 2037. DOI: https://doi.org10.1038/s41598-018-38439-w. PMID: 30765756.
Lee, JH., Kim, DH., Jeong, SN., Choi, SH. (2018). Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent, 77, 106–111. DOI: https://doi.org/10.1016/j.jdent.2018.07.015. Epub 2018 Jul 26. PMID: 30056118.
Mohammad-Rahimi, H., Motamedian, SR., Rohban, MH., Krois, J., Uribe, SE., Mahmoudinia, E., Rokhshad, R., Nadimi, M., Schwendicke, F. (2022). Deep learning for caries detection: A systematic review. J Dent, 122, 104115. DOI: https://doi.org/10.1016/j.jdent.2022.104115. Epub 2022 Mar 30. PMID: 35367318.
Kim, D., Choi, J., Ahn, S., Park, E. (2023). A smart home dental care system: integration of deep learning, image sensors, and mobile controller. J Ambient Intell Humaniz Comput., 14 (2), 1123–1131. DOI: https://doi.org/10.1007/s12652-021-03366-8. Epub 2021 Jul 6. PMID: 34249170; PMCID: PMC8259098.
Estai, M., Tennant, M., Gebauer, D., Brostek, A., Vignarajan, J., Mehdizadeh, M., Saha, S. (2022). Evaluation of a deep learning system for automatic detection of proximal surface dental caries on bitewing radiographs. Oral Surg Oral Med Oral Pathol Oral Radiol., 134 (2), 262–270. DOI: https://doi.org/10.1016/j.oooo.2022.03.008. Epub 2022 Mar 18. PMID: 35534406.
Moutselos, K., Berdouses, E., Oulis, C. & Maglogiannis, I. (2019). Recognizing Occlusal Caries in Dental Intraoral Images Using Deep Learning. Conference proceedings: ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference, 1617–1620. DOI: https://doi.org/10.1109/EMBC.2019.8856553.
Haitham, Askar, Joachim, Krois, Csaba, Rohrer, et al. (2021). Detecting white spot lesions on dental photography using deep learning: A pilot study, Journal of Dentistry, 107, 103615, ISSN 0300-5712,DOI: https://doi.org/10.1016/j.jdent.2021.103615.
DentalMonitoring. Available online: URL: https://dental-monitoring.com/ (access date: May 21, 2022).
Fukuda, M., Inamoto, K., Shibata, N., Ariji, Y., Yanashita, Y., Kutsuna, S., Nakata, K., Katsumata, A., Fujita, H., Ariji, E. (2020). Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography. Oral Radiol., 36 (4), 337–343. DOI: https://doi.org/10.1007/s11282-019-00409-x. Epub 2019 Sep 18. PMID: 31535278.
Mun, SB., Kim, J., Kim, YJ., Seo, MS., Kim, BC., Kim, KG. (2024). Deep learning-based prediction of indication for cracked tooth extraction using panoramic radiography. BMC Oral Health, 24 (1), 952. DOI: https://doi.org/10.1186/s12903-024-04721-9. PMID: 39152384; PMCID: PMC11328441.
Orhan, K., Bayrakdar, IS., Ezhov, M., Kravtsov, A., Özyürek, T. (2020). Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. Int Endod J., 53 (5), 680–689. DOI: https://doi.org/10.1111/iej.13265. Epub 2020 Feb 3. PMID: 31922612.
Zadrożny, Ł., Regulski, P., Brus-Sawczuk, K., Czajkowska, M., Parkanyi, L., Ganz, S., Mijiritsky, E. (2022). Artificial Intelligence Application in Assessment of Panoramic Radiographs. Diagnostics (Basel), 12 (1), 224. DOI: https://doi.org/10.3390/diagnostics12010224. PMID: 35054390; PMCID: PMC8774336.
Kim, E., Hwang, JJ., Cho, BH., Lee, E., Shin J. (2024). Classification of presence of missing teeth in each quadrant using deep learning artificial intelligence on panoramic radiographs of pediatric patients. J Clin Pediatr Dent, 48 (3), 76–85. DOI: https://doi.org/10.22514/jocpd.2024.062. Epub 2024 May 3. PMID: 38755985.
Okazaki, S., Mine, Y., Iwamoto, Y., Urabe, S., Mitsuhata, C., Nomura, R., Kakimoto, N., Murayama, T. (2022). Analysis of the feasibility of using deep learning for multiclass classification of dental anomalies on panoramic radiographs. Dent Mater J., 41 (6), 889–895. DOI: https://doi.org/10.4012/dmj.2022-098. Epub 2022 Aug 23. PMID: 36002296.
Kim, J., Hwang, JJ., Jeong, T., Cho, BH., Shin, J. (2022). Deep learning-based identification of mesiodens using automatic maxillary anterior region estimation in panoramic radiography of children. Dentomaxillofac Radiol., 51 (7), 20210528. DOI: https://doi.org/10.1259/dmfr.20210528. Epub 2022 Jul 13. PMID: 35731733; PMCID: PMC9522977.
Bichu, YM., Hansa, I., Bichu, AY., Premjani, P., Flores-Mir, C., Vaid, NR. (2021). Applications of artificial intelligence and machine learning in orthodontics: a scoping review. Prog Orthod., 22 (1), 18. DOI: https://doi.org/10.1186/s40510-021-00361-9. PMID: 34219198; PMCID: PMC8255249.
Jung, SK., Kim, TW. (2016). New approach for the diagnosis of extractions with neural network machine learning. Am J Orthod Dentofacial Orthop., 149 (1), 127–133. DOI: https://doi.org/10.1016/j.ajodo.2015.07.030. PMID: 26718386.
Thanathornwong, B. (2018). Bayesian-Based Decision Support System for Assessing the Needs for Orthodontic Treatment. Healthc Inform Res., 24 (1), 22–28. DOI: https://doi.org/10.4258/hir.2018.24.1.22. Epub 2018 Jan 31. PMID: 29503749; PMCID: PMC5820082.
Lee, JH., Yu, HJ., Kim, MJ., Kim, JW., Choi, J. (2020). Automated cephalometric landmark detection with confidence regions using Bayesian convolutional neural networks. BMC oral health, 20,(1):270. DOI: https://doi.org/10.1186/s12903-020-01256-7. PMID: 33028287.
Hwang, HW., Park, JH., Moon, JH., Yu, Y., Kim, H., Her, SB., Srinivasan, G., Aljanabi, MNA., Donatelli, RE., Lee, SJ. (2019). Automated identification of cephalometric landmarks: Part 2-Might it be better than human?. Angle Orthod., 90 (1), 69–76. DOI: https://doi.org/10.2319/022019-129.1. Epub 2019 Jul 22. PMID: 31335162; PMCID: PMC8087057.
Park, JH., Hwang, HW., Moon, JH., Yu, Y., Kim, H., Her, SB., … & Lee, SJ. (2019). Automated identification of cephalometric landmarks: Part 1—Comparisons between the latest deep-learning methods YOLOV3 and SSD. The Angle Orthodontist, 89(6), 903–909. DOI: https://doi.org/10.2319/022019-127.1. PMID: 31282738.
Hwang, HW., Park, JH., Moon, JH., Yu, Y., Kim, H., Her, S. B., … & Lee, S. J. (2020). Automated identification of cephalometric landmarks: Part 2—Might it be better than human?. The Angle Orthodontist, 90 (1), 69–76. DOI: https://doi.org/10.2319/022019-129.1. PMID:31335162.
Kim, H., Shim, E., Park, J., Kim, Y. J., Lee, U., & Kim, Y. (2020). Web-based fully automated cephalometric analysis by deep learning. Computer methods and programs in biomedicine, 194, 105513. DOI: https://doi.org/10.1016/j.cmpb.2020.105513. PMID:32403052.
Bao, H., Zhang, K., Yu, C., Li, H., Cao, D., Shu, H., Liu, L., Yan, B. (2023). Evaluating the accuracy of automated cephalometric analysis based on artificial intelligence. BMC Oral Health, 23 (1), 191. DOI: https://doi.org/10.1186/s12903-023-02881-8. PMID: 37005593; PMCID: PMC10067288.
Szemraj, A., Wojtaszek-Słomińska, A., Racka-Pilszak, B. (2018). Is the cervical vertebral maturation (CVM) method effective enough to replace the hand-wrist maturation (HWM) method in determining skeletal maturation? — A systematic review. Eur J Radiol., 102, 125–128. DOI: https://doi.org/10.1016/j.ejrad.2018.03.012. Epub 2018 Mar 12. PMID: 29685525.
Kazimierczak, W., Jedliński, M., Issa, J., Kazimierczak, N., Janiszewska-Olszowska, J., Dyszkiewicz-Konwińska et al. (2024). Accuracy of Artificial Intelligence for Cervical Vertebral Maturation Assessment-A Systematic Review. J Clin Med, 13 (14), 4047. DOI: https://doi.org/10.3390/jcm13144047. PMID: 39064087; PMCID: PMC11277636.
Amasya, H., Yildirim, D., Aydogan, T., Kemaloglu, N., Orhan, K. (2020) Cervical vertebral maturation assessment on lateral cephalometric radiographs using artificial intelligence: comparison of machine learning classifier models. Dentomaxillofac Radiol., 49 (5), 20190441. DOI: https://doi.org/10.1259/dmfr.20190441. Epub 2020 Mar 9. PMID: 32105499; PMCID: PMC7333473.
Bonny, T., Al Nassan, W., Obaideen, K., Al Mallahi, MN., Mohammad,Y., El-Damanhoury, HM. (2023). Contemporary Role and Applications of Artificial Intelligence in Dentistry. F1000Res., 12, 1179. DOI: https://doi.org/10.12688/f1000research.140204.1. PMID: 37942018; PMCID: PMC10630586.
Rezaie, F., Farshbaf, M., Dahri, M., Masjedi, M., Maleki, R., Amini, F., Wirth, J., Moharamzadeh K., Weber, FE., Tayebi, L. (2023). 3D Printing of Dental Prostheses: Current and Emerging Applications. J Compos Sci, 7 (2), 80. DOI: https://doi.org/10.3390/jcs7020080. Epub 2023 Feb 15. PMID: 38645939; PMCID: PMC11031267.
Sodhi, Asmita., Bansal, Pardeep., Sharma, Akshey. (2023). Esthetics In Implant Dentistry- Prosthetic Considerations Esthetics In Implant Dentistry- Prosthetic Considerations. UPDENT PUBLISHER. ISBN: 978-81-19402-06-9.
Shan, T., Tay, FR., Gu L. (2021). Application of Artificial Intelligence in Dentistry. J Dent Res., 100 (3), 232–244. DOI: https://doi.org/10.1177/0022034520969115. Epub 2020 Oct 29. PMID: 33118431.
Ali, IE., Tanikawa, C., Chikai, M., Ino, S., Sumita, Y., Wakabayashi, N. (2024). Applications and performance of artificial intelligence models in removable prosthodontics: A literature review. J Prosthodont Res., 68 (3), 358–367. DOI: https://doi.org/10.2186/jpr.JPR_D_23_00073. Epub 2023 Oct 5. PMID: 37793819.
Shan, T., Tay, FR., Gu, L. (2021). Application of Artificial Intelligence in Dentistry. J Dent Res., 100 (3), 232–244. DOI: https://doi.org/10.1177/0022034520969115. Epub 2020 Oct 29. PMID: 33118431.
Kolbinger, FR., Veldhuizen, GP., Zhu, J., Truhn, D., Kather, JN. (2024). Reporting guidelines in medical artificial intelligence: a systematic review and meta-analysis. Commun Med (Lond), 4 (1), 71. DOI: https://doi.org/10.1038/s43856-024-00492-0. PMID: 38605106; PMCID: PMC11009315.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 ТОВ «ВИДАВНИЧИЙ БУДИНОК ЕКСПЕРТ»
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
