AIによる成長期矯正治療の診断システムの構築

点击翻译按钮获取中文摘要

研究成果の一部を論文化し、下記内容で投稿した。目的: 本研究は，少数の長期経過観察中の骨格性交叉咬合患者を対象に，機械学習による分類で顎顔面形態パターンを生成する．方法: 機械学習データは、上顎前突装置除去後7年間経過観察した患者12名（平均7.5歳）のセファロ測定点からなる。これらのセファログラムのDICOM画像を用いて、頭蓋顎顔面領域の73点の測定点をデジタル化した。これらの点のx-y値は、頭蓋底のS点を原点として数学的に変換された（x = 0, y = 0）。0.1mmステップごとに±0.5mmから±1.5mmの測定誤差範囲内で、120の仮想症例の座標値のベクトルデータ（E0.5からE1.5まで）を11セット作成した。これを機械学習（SOM）で5万回学習させ、地図の単位（3×3）上に顎顔面パターンを生成した。これらの仮想パターンを用いて、120個のベクトルをマップ上で分類し、その分布を比較して、仮想パターン生成における最適な誤差を決定した。具体的な結果： SOM学習により、すべてのデータセットについて、マップ上に重みベクトルが生成された。各セットからユニットへの120の割り当ては、0から50の範囲であった。しかし、いくつかのユニットでは、0、5、または50の仮想ケースの分布があった。E0.8セットでは、最も均等な分布であった。E0.8セットのSOM結果の重ね合わせでは、9ユニット中8ユニットで下顎前突の顎顔面形態が目視で確認された。E0.8セットでは、セファロ標準と比較すると、8ユニットで骨格性下顎前突症の特徴が確認されたが、1ユニットでは偽パターンとしてベクトルが分布していなかった。結論と今後の意義: 以上の結果から，測定点に±0.8mmの乱数を付加した仮想症例を生成することは，長期治療例などのセファログラムの診断支援のための機械学習に有用であることが示唆された．