73
Artificial intelligence in orthodontics and its use to assess malocclusion
Abstract
The integration of artificial Intel ligence, especially machine learning, into dentistry is changing this area. With its advanced image processing and decision-making capabilities, artificial intelligence is able to revolutionize orthodontic procedures. Recent research has shown that machine learning can match, or even surpass, human accuracy in important tasks such as defining anatomical benchmarks, classifying skeletal structures, predicting bone age, and segmenting teeth. Moreover, machine learning algorithms ensure consistency and reliability in orthodontic decisions and treatment evaluation. Despite these advances, problems remain with the interpretability of machine learning models and the reliability of data sets. Therefore, promoting closer cooperation between orthodontists and Al technicians is important for the full utilization of the potential of artificial intelligence in clinical settings.
Source type:
Journals
Years of coverage from
2020
inLibrary
Google Scholar
Issue:
Branch of knowledge
Downloads
Download data is not yet available.
To share
Nigmatov Р., Ruziev Ш., & Khanova Д. (2025). Artificial intelligence in orthodontics and its use to assess malocclusion. in Library, 2(2), 69–74. Retrieved from https://inlibrary.uz/index.php/archive/article/view/130500
Rakhmatulla Nigmatov, Tashkent State Dental Institute
Department of Orthodontics and Dental Prosthetics. Professor. Head of the department.
-
Пути использования искусственного интеллекта в практической стоматологии
in Library: No. 1 (2024) / Sherzodbek Ruziev, Rakhmatulla Nigmatov, Nigora Nigmatova, Dilbarkhon Khanova, Saidakhror Saydiganiev,
-
Влияние заболеваний опорно-двигательного аппарата на зубочелюстную систему детей в периоде сменного прикуса
in Library: No. 4 (2019) / Rakhmatulla Nigmatov, I Nigmatova, M Nodirkhonova,
-
Открытый прикус у детей и их ортодонтическое лечение
in Library: No. 2 (2024) / Rakhmatulla Nigmatov, M Aralov, I Nigmatova, Nodira Atamuratova, Osiyo Khazratkulova,
-
Биометрический анализ гипсовых моделей по Болтону у детей с зубочелюстными аномалиями
in Library: No. 4 (2022) / Rakhmatulla Nigmatov, K Akbarov, J Kadirov, M Aralov,
-
Использование микроимплантов для интрузии жевательных зубов больным с открытом прикусом
in Library: No. 2 (2022) / Rakhmatulla Nigmatov, I Nigmatova, S Murtazaev, K Akbarov, M Aralov,
-
Modern methods of dermatoglyphics and iridodiagnostics in forensic medicine in identifying and assessing suidcidal tendencies
in Library: No. 1 (2019) / A Shamsieva, Sh Ruziev, Dilafruz Buranova,
-
Ортодонтическое лечение сужения зубных рядов верхней челюсти
in Library: No. 3 (2023) / Rakhmatulla Nigmatov, J Kadyrov, G Aripova, I Nigmatova, K Akbarov,
-
Экспресс оценка состояния стопы при диагностике зубочелюстных аномалий
in Library: No. 1 (2024) / Rakhmatulla Nigmatov, M Nodirkhonova, G Aripova, I Nigmatova, G Muratova,
-
Распространенность первичной адентии у детей г.Ташкента и оказание им стоматологической помощи
in Library: No. 1 (2020) / Rakhmatulla Nigmatov, I Nigmatova, N Gaybullaeva, K Akbarov, U Razzakov,
-
Report of published scientific works of the staff of the department of orthodontics and dental prosthetics for the 2023-2024 academic year
in Library: No. 4 (2024) / Rakhmatulla Nigmatov, S Murtazaev, I Nigmatova,
Keywords:
Abstract
The integration of artificial Intel ligence, especially machine learning, into dentistry is changing this area. With its advanced image processing and decision-making capabilities, artificial intelligence is able to revolutionize orthodontic procedures. Recent research has shown that machine learning can match, or even surpass, human accuracy in important tasks such as defining anatomical benchmarks, classifying skeletal structures, predicting bone age, and segmenting teeth. Moreover, machine learning algorithms ensure consistency and reliability in orthodontic decisions and treatment evaluation. Despite these advances, problems remain with the interpretability of machine learning models and the reliability of data sets. Therefore, promoting closer cooperation between orthodontists and Al technicians is important for the full utilization of the potential of artificial intelligence in clinical settings.
References
Aмасья X. Йилдирим Д Айдогам Т, Кемалоглу Н. Орхан К. Оценка созревания шейных позвонков на роковых цефалометрических рентгенограммах с использованием искусственного ин-еллекте сравнение моделей классификаторов машинного обучения. Дентомаксилофак Радиол 2020:49(5)20’90441
Ильяс Н. Шахзад А. ,К им К. Подсчет толпа не основе изображений на основе сверточной нейронной сети: обзор категоризация, анализ и оценка эффективности Датчики (Базеле). 2019: 20 (1X43
Меллули Д. Хемда- и ТМ.. Санчес-Медине ДжДж. Бен Айед М. Амели АМ. Морфологическая сверточная архитектура нейронной сети для распознавания цифр. Система обучения IEEE Trons Neural Netw. 2019:30 (9): 23'6-2335
Константонис Д.. Василиу Д. Гапагеоргиу СМ. Элиадес Т. Изменения мягких тканей после экстракции по сравнение с лечением ортодонтической несъемной аппаратурой без же тракции: систематический обзор и метвонали* E-rJ Oral Sci 2018:126 (3k 167-179
Ломбардо Дж. Вене Ф. Негри П. и др Расгрос-раненность неправильного прикуса во всем мире на разных стадиях зубного ряда систематический обзор и метмнолиз Ear J Педиатр Дент 202021(2X115-12 2.
Гриоель Б.Ф. Гриоель ММ. Фрамо Д.С . Макнамара Дж А младший, Менци ФР “очноств и надежность краниометрических измерений при латеральной цефалометрии и ЗО-измерений при КЛКТ-скенировении.Угол Ортод 2011:81(1) 26-35
да Поццо Ф. Джибелли Д. Бельтромини ГА. Долечи С. Дженни АД.Сфорца К Влияние ортр-натической хирургии на асимметрию мягких тканей лица продольный тре<мерный анализ Дж Краниофак Хирург. 2020; 31 (6): 1573-1532.
Пападимитриу А. Мусулеа С. Гкан-идис Н. Клукос Д Клиническая эффективность ортодонтического лечения Invnalign*: систвмвтимескмй обзор Проге Ортод. 2018:19(1X37.
Мехом М.Е. Шишке-Зоммерфельд Л. Be- А. Гедрейндж Т. Возняк К. Пути использования машинного обучения в стоматологии Аде Клим Ехр Мел 2020.29 3)3'5-334
Ган Ю. Ся 3. Со- Дж. Ли Г. Чжао К. Сегментация зубов и альвеолярных костей по изображениям дентальной компьютерной -омографии IEEE J Biomed Health Информ. 201822(1X196-204.
Юань т. Веи Й. Хоу 3. Вам Дж Сегментация зубов и модель деформации десневой ткани для планирования и оценки ЗО-ортодонтического лечения Мед Биол Эмг Компьютер 2020:53( 10)2271-2290.
Вен Л. Ян Й. Мин Р. Чакраахар С Ускорение обучения глубоких нейронных сетей с помощью непоследоветельно-о стохастического градиентного спуска. Нейронная сеть. 2017; 93 219-229
ЛуоХ.ЧиВ.ДэнМ Диппрун Изучениеэффективныхи интерпретируемых сверточных сетей -осредсвом обрезки веса для прогнозирования связывания ДНК с белком. Фронт Ренет 2019:10:1145
Ху X. И В Цзян Л и др. Классификация метэфазных хромосом с использованием глубокой сверточной нейронной сети J комгью-ерная Биол. 20'9.26(5 4'3-434
Монтуфар Дж. Ромеро М. Скуталл-Вилчис РДж Гибридный подход для автоматического аннотирования цефалометрических ориентиров на объемах ком,сно-лучевой компьютерной томографии Am J Orthodont Зубочелюс-ной ортопед . 2018 год. 154(1): 140-150.
Кунц Ф. Штелциг -Эйзенхауэр А.. Земан ф_ Болдт Дж Искусственный интеллект в ортодонтии J Орооациальный ортопед. 201931(11:52-63
Ченг Э. Че- Дж. Ян Дж. и др Автоматическое обнаружение ориентиров вмятин в треийернвх объемах зубов КЛКТ Annu Int Conf IEEE Eng Med Biol Soc. 201120116204-6207.
Хван XB. Пек ДжХ.. Мун ДжХ. и др Автоматизированное определение цефалометрических ориентиров. Часть 2 Может ли он быть лучше человека? Угол Ортод 2020.90(1)69-76.
Ян X. Джо Э. Ким КДж. и др Глубокое обучение для автоматического обнаружения кист и опухолей челюсти не паморемнсос рентгенограммах. Дж Клин Мед. 2020 9-6). 1339
Се X. Ван Л. Ван А. Моделирование искусственных нейронных сетей для принятия решения о необходимости удаления зубов перед ортодонтическим лечением Угол Ортод 2010 30(21262-266
