Content uploaded by Kaan Orhan
Author content
All content in this area was uploaded by Kaan Orhan on Jan 19, 2023
Content may be subject to copyright.
Cilt-Volume: 75 Özel Sayı-Supplement: 1 Aralık-December 2022
Tıp Fakültesi
mecmuası
Ankara Üniversitesi
E-ISSN: 1307-5608
Journal of Ankara University Faculty of Medicine
Davetli Derlemeler / Invited Papers
Yapay Zeka, Makine Öğrenmesi ve Tıp Uygulamaları
Açık Kaynak Veri Seti ile Eğitilen Yapay Zekâ Modellerinin Klinik Ortamdaki Performans Analizi
Endokrinolojide Yapay Zeka Uygulamaları
Patolojide Yapay Zeka: Dost mu? Düşman mı?
Kardiyolojide Yapay Zeka Uygulamaları
Yapay Zeka ve Anestezi
Radyasyon Onkolojisinde Yapay Zeka
Diş Hekimliğinde Yapay Zeka Uygulamaları
Psikiyatrik Bozukluklarda Yapay Zeka Uygulamaları
Nadir Hastalıklarda Yapay Zeka Uygulamaları
DAVETLİ DERLEME / INVITED PAPER
46
Telif Hakkı 2022 Ankara Üniversitesi Tıp Fakültesi
Ankara Üniversitesi Tıp Fakültesi Mecmuası, Galenos Yayınevi tarafından yayınlanmıştır.
Yayınlanan tüm içerik CC BY-NC-ND lisansı altındadır.
Ankara Üniversitesi Tıp Fakültesi Mecmuası 2022;75(Suppl 1):46-49
DAHİLİ TIP BİLİMLERİ / MEDICAL SCIENCES
Abstract
Artificial intelligence (AI) represents the learning and problem-solving capacity of machines that mimic humans’ cognitive functions. Unlike a single
clinician, AI systems can simultaneously observe and rapidly process an unlimited amount of data. Machine learning includes computational models
and algorithms called artificial neural networks (ANNs) that mimic the architecture of biological neural networks in the brain. Artificial intelligence
applications have become popular in many areas of dentistry as well as in medicine. This review focuses on artificial intelligence applications in
various fields of dentistry and related studies with a comprehensive literature review. AI can be used in oral and maxillofacial surgery (determination
of anatomical landmarks, prediction of postoperative complications), periodontology (determination of alveolar bone loss and changes in bone
density), implantology, oral and maxillofacial radiology (tooth segmentation, identification of extra teeth, root fractures or apical lesions, in the
prediction of osteoporosis), restorative dentistry (determination of dental caries), and orthodontics (treatment analysis, skeletal classification and
determination of growth and development period). Integrating artificial intelligence technology into dentistry aims to minimize human mistakes
while saving cost and time, especially in clinics where the number of clinicians is low.
Key Words: Artificial Intelligence, Deep Learning Model, Dentistry, Applications
Öz
Yapay zeka (YZ), insanların bilişsel işlevlerini taklit eden makinelerin öğrenme ve problem çözme kapasitesini temsil eder. Tek bir klinisyenin aksine,
YZ sistemleri sınırsız sayıda veriyi eşzamanlı olarak gözlemleyebilir ve hızlı bir şekilde işleyebilir. Makine öğrenimi, beyindeki biyolojik sinir ağlarının
mimarisini taklit eden yapay sinir ağları (YSA) adı verilen hesaplama modelleri ve algoritmaları içerir. YZ uygulamaları tıpta olduğu gibi diş hekimliğinin
de birçok alanında popüler hale gelmiştir. Bu derleme, kapsamlı bir literatür taraması ile diş hekimliğinin çeşitli alanlarındaki YZ uygulamalarına ve
ilgili çalışmalara odaklanmaktadır. YZ, oral ve maksillofasiyal cerrahide (anatomik işaretlerin belirlenmesi, postoperatif komplikasyonların tahmini),
periodontoloji (alveolar kemik kaybının ve kemik yoğunluğundaki değişikliklerin belirlenmesi), implantoloji, oral ve maksillofasiyal radyoloji (diş
segmentasyonu, ekstra dişlerin tanımlanması, kök kırıkları veya apikal lezyonlar, osteoporozun tahmininde), restoratif diş hekimliği (diş çürüklerinin
belirlenmesi) ve ortodonti (tedavi analizi, iskelet sınıflandırması ve büyüme ve gelişme döneminin belirlenmesi) alanlarında kullanılabilir. YZ
teknolojisinin diş hekimliğine entegre edilmesi, özellikle klinisyen sayısının az olduğu kliniklerde maliyet ve zamandan tasarruf sağlarken insan
kaynaklı hataları en aza indirmeyi amaçlamaktadır.
Anahtar Kelimeler: Yapay Zekâ, Derin Öğrenme Modeli, Diş Hekimliği, Uygulamalar
1Girne Üniversitesi Diş Hekimliği Fakültesi, Periodontoloji Anabilim Dalı, Mersin, Türkiye
2Ankara Üniversitesi Diş Hekimliği Fakültesi, Radyoloji Anabilim Dalı, Ankara, Türkiye
3Ankara Üniversitesi Medikal Tasarım ve Uygulama Merkezi (MEDITAM), Ankara, Türkiye
4Lublin Medical University, Department of Dentistry, Lublin, Poland
Revan Birke Koca Ünsal1, Kaan Orhan2,3,4
Yazışma Adresi/Address for Correspondence: Revan Birke Koca Ünsal
Girne Üniversitesi Diş Hekimliği Fakültesi, Periodontoloji Anabilim Dalı, Girne, Kıbrıs
Tel.: +90 542 886 54 21 E-posta: revanbirke.koca@kyrenia.edu.tr ORCID ID: orcid.org/0000-0003-1540-983X
Geliş Tarihi/Received: 11.11.2022 Kabul Tarihi/Accepted: 23.11.2022
Artificial Intelligence Applications in Dentistry
Diş Hekimliğinde Yapay Zeka Uygulamaları
DOI: 10.4274/atfm.galenos.2022.02438
Koca Ünsal ve Orhan. Diş Hekimliğinde Yapay Zeka Uygulamaları
Ankara Üniversitesi Tıp Fakültesi Mecmuası 2022;75(Suppl 1):46-49
47
Giriş
Yapay zeka (YZ -artificial intelligence, AI), insanların bilişsel
işlevlerini taklit eden makinelerin öğrenme ve problem çözme
kapasitesini temsil eder. YZ, bilgisayarların insanlara benzer
şekilde çeşitli faaliyetleri gerçekleştirme yeteneği olarak
tanımlanabilir (1). Makine öğrenimi (Machine learning, ML),
veri toplamadan öğrenmeyi otomatik olarak gerçekleştirdiği
YZ alanını tanımlayan bir terimdir. ML, bir sorunu çözmek için
öğrenmek, kalıpları tespit etmek, kendi kendini düzeltmek,
sınıflandırmak ve farklı verileri tekrar tekrar işleyerek insan
beynine benzeyen bir YZ alt kümesidir (2).
Tek bir klinisyenin aksine, ML sistemleri sınırsız sayıda veriyi
eşzamanlı olarak gözlemleyebilir ve hızlı bir şekilde işleyebilir.
Ayrıca, bu sistemler her olgunun verilerinden öğrenebildikleri
için, bir klinisyenin bir ömür boyu görebileceğinden daha
fazla olguyu dakikalar içinde değerlendirmeyi öğrenebilirler.
ML, beyindeki biyolojik sinir ağlarının mimarisini taklit eden
yapay sinir ağları (artificial neural networks-ANN) adı verilen
hesaplama modelleri ve algoritmaları içerir (3). ANN mimarisi,
birbirine bağlı düğümlerin katmanlarında yapılandırılmıştır.
Derin öğrenme (deep learning, DL), daha geniş bir YZ ailesine
atıfta bulunan ML’ye ait bir tekniktir. Özellikle DL yöntemleri,
sınıflandırma veya tespit görevlerini gerçekleştirmek için
ham verileri işleyen çoklu temsil seviyelerine sahip öğrenme
yöntemlerine aittir (2). YZ uygulamaları diş hekimliğinin birçok
alanında popüler olmaya başlamıştır. YZ teknolojisinin diş
hekimliğine entegre edilmesi zaman ve maliyet tasarrufu sağlar
ve insan kaynaklı hataları azaltır (4). Bu derleme, diş hekimliğinin
çeşitli alanlarındaki YZ uygulamalarına odaklanmaktadır.
Ağız, Diş ve Çene Cerrahisinde Yapay Zeka Uygulamaları
YZ, ağız ve çene cerrahisinde robotik uygulamalar sayesinde
popülerlik kazanmıştır. Cerrahi operasyon gerçekleştirilmeden
önce olası komplikasyonları önlemek için YZ algoritmaları ile
anatomik yer işaretlerinin detaylı tespiti yapılabilmektedir. Bu
sayede önemli anatomik yapıların korunması ve operasyonların
daha kısa sürede tamamlanması mümkün olmaktadır (5).
YZ teknolojisi, diş çekimi sonrası postoperatif ödemi
tahmin etmek için de kullanılmıştır. Zhang ve ark. (6) gömülü
mandibular üçüncü molarların çekilmesinden sonra postoperatif
yüz ödemini tahmin etmek için bir YZ modeli geliştirmiş ve
model, %98 doğrulukla yüksek performans göstermiştir. Orhan
ve ark. (7) konik ışınlı bilgisayarlı tomografi (cone-beam
computed tomography-CBCT) görüntülerinde bir YZ modeli
kullanarak gömülü üçüncü molarların diagnzoundaki doğruluğu
değerlendirdi ve YZ modeli, bu dişlerin anatomik yapılarla olan
ilişkisini tespit etmede %86,2 doğruluk performansı gösterdi.
Başka bir çalışmada, panoramik radyograflarda derin evrişimsel
sinir ağı (convolutional neural network-CNN) kullanılarak
üçüncü molar çekimlerinin zorluğu değerlendirildi. Hem ramus
ile ilişkisinin belirlenmesinde hem de mandibular ikinci molara
referansla belirlenen derinlik bilgisinde sırasıyla %82,03, %90,2
ve %78,9 başarı oranları elde edilmiştir (8).
YZ ile oral mukozadaki şüpheli alanlar tespit edilerek
benign ve malign lezyonların taraması ve sınıflandırılması
yapılabilmektedir (9). Ağız bölgesinde saptanan malign
tümörlerin prognozunu etkileyen en önemli faktör, erken tanıdır.
Buna rağmen çoğu olgu ileri evrede teşhis edilmektedir. Rosma
ve ark. (10) YZ modeli ile uzmanların öngörülerini karşılaştırarak
bireylerin ağız kanseri geliştirme olasılığını değerlendirmişler
ve %59,9’luk bir doğruluk elde etmişlerdir. Özellikle geniş
çaplı oral taramaların toplumdaki ağız kanseri prevalansını
tahmin edebileceği düşünülmektedir. Sağlık hizmetlerinin
kısıtlı olduğu birçok bölgede YZ destekli yazılımlarla tarama
yapılarak morbidite ve mortalite oranlarının azalacağı tahmin
edilmektedir (11).
Periodontolojide Yapay Zeka Uygulamaları
Periodontal hastalıklar, periodonsiyumun iltihaplanması ile
karakterize yaygın bir hastalık grubudur ve tedavi edilmediğinde
diş kaybına neden olabilir. Periodontolojide YZ ve Derin CNN
uygulamaları ile ilgili birçok çalışma yapılmıştır. Alveolar kemik
kaybının tespiti ve kemik yoğunluğundaki erken değişiklikler YZ
modelleri ile tespit edilebilir. Ayrıca implant ve çevre dokularla
ilgili erken müdahalenin gerekli olabileceği durumlarda DL
yöntemlerinin kullanılabileceği düşünülmektedir. Lee ve ark. (12)
periodontal hastalık nedeniyle kötü prognoza sahip dişleri tespit
etmek için bir YZ modeli geliştirmiş ve %78,9 doğruluk oranı elde
etmiştir. Alalharith ve ark. (13) ortodontik tedavi gören hastalarda
periodontal hastalığın otomatik tespitinde başarı oranının %77,1
olduğunu bildirmiştir. Cha ve ark. (14) geliştirdikleri YZ modeli
ile periapikal radyografilerde implant tespiti yaparak alveolar
kemik kaybını değerlendirmişler ve model ile diş hekimleri
arasında önemli bir fark olmadığını bildirmişlerdir. Bu nedenle,
modelin peri-implantitisin saptanmasında kullanılabileceğini
belirtmişlerdir. YZ, implant planlaması alanında da kullanılmıştır.
Kurt Bayrakdar ve ark. (15) 75 CBCT görüntüsünde kanal, sinüs/
fossa ve eksik diş bölgelerinin tespitini gerçekleştirmişler ve en
yüksek başarı oranını %95,3 ile eksik diş alanı tespiti olarak
belirtmişlerdir. Yazarlar, YZ algoritmalarının klinisyenlere klinik
rutinde yardımcı bir araç olacağını belirtmişlerdir.
Ağız, Diş ve Çene Radyolojisinde Yapay Zeka Uygulamaları
CNN, ağız, diş ve çene radyolojisinde diş tespiti ve
segmentasyonu, ekstra kök ve süpernümerer diş tespiti, dikey
kök kırığı tespiti, apikal lezyon tespiti, osteoporoz teşhisi,
Sjögren sendromu tespiti ve ultrasonografide kullanılmaktadır.
Panoramik radyograflarda, periapikal radyograflarda ve derin
Koca Ünsal ve Orhan. Diş Hekimliğinde Yapay Zeka Uygulamaları
Ankara Üniversitesi Tıp Fakültesi Mecmuası 2022;75(Suppl 1):46-49
48
CNN’leri kullanan bite-wing radyograflarında diş tespiti ve
segmentasyonu için DL destekli YZ modelleri üzerinde en az
uzmanlar kadar başarılı olan çok sayıda çalışma yayınlanmıştır.
Ekert ve ark. (16) DL destekli CNN kullanılarak panoramik
radyograflarda apikal lezyonları tespit etmişler ve sistemin
%65 hassasiyet gösterdiğini belirtmişlerdir. Periapikal
radyografiler üzerine bir başka çalışmada ise, Pauwels ve ark.
(17) YZ sisteminin %80’in üzerinde bir başarı oranı geliştirdiğini
belirtmişlerdir. Orhan ve ark. (18) CBCT’de periapikal patolojileri
saptayan bir YZ modeli geliştirmiş ve YZ modelinin toplamda
153 periapikal lezyondan 142’sini başarılı bir şekilde saptadığını
bildirmiştir. Hiraiwa ve ark. (19) Sjögren sendromunun tespiti
için bilgisayarlı tomografi görüntülerini değerlendirmiş ve
geliştirilen modelin %96 doğruluk gösterdiğini belirtmiştir. Lee
ve ark. (20) osteoporozun tespiti için panoramik radyografilerde
Derin CNN kullanan bir model geliştirmiş ve %98,5 doğruluk
oranı bildirmiştir. Bunun yanı sıra, Orhan ve ark. (21) CNN
tabanlı bir yöntemle ultrason görüntülerinde masseter kasının
segmentasyonunu gerçekleştirmişler ve üç farklı YZ modeli için
başarı oranlarını sırasıyla %96, %94 ve %98 olarak belirtmişlerdir.
3D görüntülerin daha karmaşık ve geniş eğitim veri setine
sahip olması ve etiketleme sürecinin hatasız yapılması zor
olduğundan, CBCT’de YZ tabanlı tanıya odaklanan çalışmaların
sayısı henüz yeterli değildir. Johari ve ark. (22) hem ağız içi hem
de CBCT görüntülerini CNN ile değerlendirerek dikey ve yatay
kök kırıkları için yüksek duyarlılık ve özgüllük sağlamışlardır.
Restoratif Diş Hekimliğinde Yapay Zeka Uygulamaları
Florür ve diğer çürük önleyici ajanların kullanımının
popülerlik kazanmasıyla diş çürüğü prevalansı her geçen
gün azalmaktadır. Bite-wing radyografileri, saptanması zor
olan arayüz çürüklerinin tanısında önemli bir role sahiptir
(23). Ayrıca son yıllarda bilgisayar destekli programlarla
erken tanı çalışmaları hızlandırılmıştır (24). Cantu ve ark.
(25) yaptıkları çalışmada, bite-wing radyografilerde çürük
teşhisinde geliştirdikleri YZ modeliyle deneyimli diş hekimlerinin
performansını karşılaştırmışlardır. Çalışmada algoritma, diş
hekimlerinden (%71) önemli ölçüde daha yüksek doğruluk
oranına (%80) sahip olarak bulunmuştur. Askar ve ark. (26) DL
yöntemi ile ağız içi fotoğraflarda beyaz nokta lezyonlarının
tespitini gerçekleştirmişler ve sistem %80’in üzerinde doğruluk
göstermiştir. Öte yandan, Casalegno ve ark. (27) translüminasyon
görüntülerinde çürüklerin otomatik tespiti ve lokalizasyonu
için bir YZ modeli geliştirmiş ve %72,7’lik bir başarı oranı elde
etmiştir. Lee ve ark. (28) ise derin CNN kullanılarak periapikal
radyografilerde çürük tespiti üzerine premolar ve molar dişler
üzerinde bir çalışma yapmışlar ve en yüksek başarıyı %89 ile
premolar dişlerde elde etmişlerdir. Araştırmacılar, DL destekli YZ
modellerinin önümüzdeki yıllarda etkili bir çürük teşhis yöntemi
olacağını belirtmişlerdir (28).
Ortodontide Yapay Zeka Uygulamaları
YZ, ortodontide tanısal tedavi analizi, anatomik nokta tespiti,
çekimli-çekimsiz ortodontik tedavi, iskeletsel sınıflandırma,
büyüme ve gelişme döneminin belirlenmesi ve ortognatik
cerrahi gibi birçok analiz için kullanılabilir. Xie ve ark. (29) YZ
algoritmaları ile lateral sefalometrik radyografilerde ortodontik
tedavi öncesi diş çekimi ihtiyacını değerlendirmiş ve ANN %80
doğrulukla başarılı olmuştur. Kunz ve ark. (30) YZ modeli ile diş
hekimi arasında yer işareti tespitinde elde edilen sonuçlarda
anlamlı bir fark olmadığını bildirmiştir. Öte yandan, Yu ve ark. (31)
otomatik iskeletsel sınıflandırma için bir YZ modeli geliştirmiş ve
%90 duyarlılık, doğruluk ve özgüllük değerleri elde etmiştir. YZ
ile ortognatik cerrahi planlamasında da başarılı sonuçlar elde
edilmiştir. Choi ve ark. (32) hem ameliyat gerektiren hem de
gerektirmeyen ortodontik tedavi görecek hastaların teşhisi için
bir YZ modeli geliştirmiş, model %96 gibi yüksek bir performans
göstermiştir.
Sonuç
YZ, diş hekimliğinde geniş kapsamlı kolaylıklar sağlayacak bir
gelecek inşa etmektedir. Yukarıda bahsedilen tüm faydalarına
rağmen, YZ ile ilgili hatalardan kimin sorumlu tutulacağı veya
teşhisleri kimin kontrol edeceği gibi yasal konularda kapsamlı
çalışmaların olmaması, YZ algoritmalarının klinisyenlerin yerine
hareket etmekten ziyade klinisyenlere yardımcı olacak bir araç
olarak kalacağını göstermektedir.
YZ çalışmaları şimdiden literatürde geniş bir yer tutmaktadır.
Bu algoritmalarla ağır iş yükü altında olan klinisyenlerin tanı
ve tedavi planlamalarında hataların en aza indirilmesi ve
insan kaynaklı hataların minimize edilmesi hedeflenmektedir.
Bu sistemlerin, özellikle klinisyen açığının olduğu sağlık
merkezlerinde, hasta sağlığı, maliyet ve zaman açısından önemli
faydalar sağlaması beklenmektedir.
Kaynaklar
1. Allen B Jr, Seltzer SE, Langlotz CP, et al. A Road Map for Translational
Research on Artificial Intelligence in Medical Imaging: From the 2018
National Institutes of Health/RSNA/ACR/The Academy Workshop. J Am Coll
Radiol. 2019;16:1179-1189.
2. Lee JG, Jun S, Cho YW, et al. Deep Learning in Medical Imaging: General
Overview. Korean J Radiol. 2017;18:570-584.
3. Nichols JA, Herbert Chan HW, Baker MAB. Machine learning: applications of
artificial intelligence to imaging and diagnosis. Biophys Rev. 2019;11:111-
118.
4. Khanagar SB, Al-Ehaideb A, Maganur PC, et al. Developments, application,
and performance of artificial intelligence in dentistry - A systematic review.
J Dent Sci. 2021;16:508-522.
5. Widmann G. Image-guided surgery and medical robotics in the cranial area.
Biomed Imaging Interv J. 2007;3:e11.
6. Zhang W, Li J, Li ZB, Li Z. Predicting postoperative facial swelling following
impacted mandibular third molars extraction by using artificial neural
networks evaluation. Sci Rep. 2018;8:12281.
Koca Ünsal ve Orhan. Diş Hekimliğinde Yapay Zeka Uygulamaları
Ankara Üniversitesi Tıp Fakültesi Mecmuası 2022;75(Suppl 1):46-49
49
7. Orhan K, Bilgir E, Bayrakdar IS, Ezhov M, Gusarev M, Shumilov E. Evaluation
of artificial intelligence for detecting impacted third molars on cone-
beam computed tomography scans. J Stomatol Oral Maxillofac Surg.
2021;122:333-337.
8. Yoo JH, Yeom HG, Shin W, et al. Deep learning based prediction of extraction
difficulty for mandibular third molars. Sci Rep. 2021;11:1954.
9. Lim K, Moles DR, Downer MC, Speight PM. Opportunistic screening for oral
cancer and precancer in general dental practice: results of a demonstration
study. Br Dent J. 2003;194:497-502; discussion 493.
10. Rosma MD, Sameem AK, Basir A, Mazlipahiv IS, Norzaidi MD. The use of
artificial intelligence to identify people at risk of oral cancer: empirical
evidence in Malaysian university. International Journal of Scientific
Research in Education. 2010;3:10-20.
11. Ilhan B, Lin K, Guneri P, Wilder-Smith P. Improving Oral Cancer Outcomes
with Imaging and Artificial Intelligence. J Dent Res. 2020;99:241-248.
12. Lee JH, Kim DH, Jeong SN, Choi SH. Diagnosis and prediction of periodontally
compromised teeth using a deep learning-based convolutional neural
network algorithm. J Periodontal Implant Sci. 2018;48:114-123.
13. Alalharith DM, Alharthi HM, Alghamdi WM, et al. A Deep Learning-Based
Approach for the Detection of Early Signs of Gingivitis in Orthodontic
Patients Using Faster Region-Based Convolutional Neural Networks. Int J
Environ Res Public Health. 2020;17:8447.
14. Cha JY, Yoon HI, Yeo IS, Huh KH, Han JS. Peri-Implant Bone Loss Measurement
Using a Region-Based Convolutional Neural Network on Dental Periapical
Radiographs. J Clin Med. 2021;10:1009.
15. Kurt Bayrakdar S, Orhan K, Bayrakdar IS, et al. A deep learning approach for
dental implant planning in cone-beam computed tomography images. BMC
Med Imaging. 2021;21:86.
16. Ekert T, Krois J, Meinhold L, et al. Deep Learning for the Radiographic
Detection of Apical Lesions. J Endod. 2019;45:917-922.e5.
17. Pauwels R, Brasil DM, Yamasaki MC, et al. Artificial intelligence for detection
of periapicael lesions on intraoral radiographs: Comparison between
convolutional neural networks and human observers. Oral Surg Oral Med
Oral Pathol Oral Radiol. 2021;131:610-616.
18. Orhan K, Bayrakdar IS, Ezhov M, Kravtsov A, Özyürek T. Evaluation of
artificial intelligence for detecting periapical pathosis on cone-beam
computed tomography scans. Int Endod J. 2020;53:680-689.
19. Hiraiwa T, Ariji Y, Fukuda M, et al. A deep-learning artificial intelligence
system for assessment of root morphology of the mandibular first molar on
panoramic radiography. Dentomaxillofac Radiol. 2019;48:20180218.
20. Lee JS, Adhikari S, Liu L, Jeong HG, Kim H, Yoon SJ. Osteoporosis detection
in panoramic radiographs using a deep convolutional neural network-based
computer-assisted diagnosis system: a preliminary study. Dentomaxillofac
Radiol. 2019;48:20170344.
21. Orhan K, Yazıcı G, Kolsuz ME, Kafa N, Bayrakdar IS, Çelik Ö. An Artificial
Intelligence Hypothetical Approach for Masseter Muscle Segmentation
on Ultrasonography in Patients with Bruxism. Journal of Advanced Oral
Research. 2021;12:206-213.
22. Johari M, Esmaeili F, Andalib A, Garjani S, Saberkari H. A Novel
Thresholding Based Algorithm for Detection of Vertical Root Fracture in
Nonendodontically Treated Premolar Teeth. J Med Signals Sens. 2016;6:81-
90.
23. Heaven TJ, Weems RA, Firestone AR. The use of a computer-based image
analysis program for the diagnosis of approximal caries from bitewing
radiographs. Caries Res. 1994;28:55-58.
24. Wenzel A. Computer-automated caries detection in digital bitewings:
consistency of a program and its influence on observer agreement. Caries
Res. 2001;35:12-20.
25. Cantu AG, Gehrung S, Krois J, et al. Detecting caries lesions of different
radiographic extension on bitewings using deep learning. J Dent.
2020;100:103425.
26. Askar H, Krois J, Rohrer C, et al. Detecting white spot lesions on dental
photography using deep learning: A pilot study. J Dent. 2021;107:103615.
27. Casalegno F, Newton T, Daher R, et al. Caries Detection with Near-Infrared
Transillumination Using Deep Learning. J Dent Res. 2019;98:1227-1233.
28. Lee JH, Kim DH, Jeong SN, Choi SH. Detection and diagnosis of dental caries
using a deep learning-based convolutional neural network algorithm. J
Dent. 2018;77:106-111.
29. Xie X, Wang L, Wang A. Artificial neural network modeling for deciding
if extractions are necessary prior to orthodontic treatment. Angle Orthod.
2010;80:262-266.
30. Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Artificial intelligence in
orthodontics : Evaluation of a fully automated cephalometric analysis using
a customized convolutional neural network. J Orofac Orthop. 2020;81:52-
68.
31. Yu HJ, Cho SR, Kim MJ, et al. Automated Skeletal Classification with Lateral
Cephalometry Based on Artificial Intelligence. J Dent Res 2020; 99: 249-
256. 20200124. DOI: 10.1177/0022034520901715.
32. Choi HI, Jung SK, Baek SH, et al. Artificial Intelligent Model With Neural
Network Machine Learning for the Diagnosis of Orthognathic Surgery. J
Craniofac Surg. 2019;30:1986-1989.