利用3D点云数据进行人工智能驱动的切牙修复的可行性和准确性评估

《Clinical Oral Investigations》：Feasibility and accuracy assessment of AI-driven incisor restoration using 3D point cloud data

本研究提出基于AdaPoinTr网络的开放源智能前牙修复方法，对比传统手动设计（MD）与AI生成（AI-G）的精度。结果显示MD在局部（L1-CD：9.92±1.47 vs 15.21±0.29，P<0.001）和全局匹配（L2-CD：2.97±1.39 vs 6.77±0.32，P<0.001）及微结构保留（F-Score：58.50±11.82 vs 34.61±0.66，P<0.001）上更优，但AI-G误差分布更稳定（Hausdorff距离P=0.058）。该AI方法在稳定性与一致性上具有潜力，为智能义齿发展提供新方向。

　　

摘要

研究目的

本研究介绍了一种基于开源技术的智能前牙修复方法，该方法利用点云补全网络进行修复，并评估了其与传统手动设计方法的准确性。

材料与方法

本研究分析了来自北京口腔医院（2024年1月至2025年1月）治疗患者的209个数字牙科模型。使用Geomagic Wrap软件模拟了缺失的上颌右侧中切牙的情况。研究分为两组：手动设计（MD）和人工智能生成（AI-G）。AI-G组采用了基于AdaPoinTr的模型。修复精度通过L1/L2倒角距离（CD）、F分数（F-Score）和豪斯多夫距离（HD）进行量化。统计方法：配对t检验、Wilcoxon符号秩检验（\(\alpha\)=0.05）。

结果

与AI-G组相比，手动设计组在局部精度（L1-CD，MD为9.9171 ± 1.4654，AI-G为15.2144 ± 0.2917，\(P\lt0.001\)）和整体匹配度（L2-CD，MD为2.9709 ± 1.3945，AI-G为6.7731 ± 0.3179，\(P\lt0.001\)）方面表现更优。微观结构保留情况（F分数）也显示手动设计组更佳（MD为58.4955（IQR：11.8238），AI-G为34.6080（IQR：0.6612），\(P\lt0.001\)）。然而，在极端误差控制方面（HD），两组之间没有显著差异（MD为0.0490毫米（IQR：0.1094毫米），AI-G为0.1264毫米（IQR：0.0073毫米），\(P=0.058\)。AI-G组的误差分布更为稳定（IQR：0.0073毫米对比0.1094毫米）。

结论

本研究提出了一种创新的AdaPoinTr网络，用于修复缺失的中切牙。尽管其准确性略低于手动设计方法，但人工智能方法在稳定性和一致性方面表现更好，为智能修复技术的发展带来了希望。

临床意义

本研究验证了人工智能驱动的点云补全网络在缺失中切牙的3D重建任务中的可行性，为数字修复技术的智能化发展提供了新的研究方向。