Medizinische Universität Graz - Research portal

Go directly to the nagivation.
Go directly to the content.

Navigation/Search

Selected Publication:

Bauer, L.
Maschinelles Lernen in der Zahnmedizin - Eine systematische Literaturrecherche
Zahnmedizin; [ Diplomarbeit ] Medizinische Universität Graz; 2022. pp. 91 [OPEN ACCESS]
FullText

Authors Med Uni Graz:
Advisor:: Kirnbauer Barbara; Payer Michael
Altmetrics:
Abstract:: Einleitung: Maschinelles Lernen wird zunehmend für die medizinische Bilddiagnostik und in der Zahnmedizin eingesetzt. Diese Arbeit schafft einen Überblick über die zahlreichen Anwendungsgebiete in der modernen Zahnmedizin. Material und Methoden: Die Datenbanken PubMed, Mendeley und Web of Science wurden systematisch durchsucht. Die Themenfelder „Artifizielle Intelligenz“, „Maschinelles Lernen“ und „Deep learning“, wurden mit Synonymen für die Recherche verwendet. Nach Definition der Ein- und Ausschlusskriterien (Jahr, Sprache, Fachgebiet, Art des Artikels) wurden die verbliebenen Arbeiten gesichtet. Ergebnisse: Anfangs konnten 1632 Artikel extrahiert werden, wovon 1544 Einträge nach Anwendung spezifischer Filter und der Kontrolle auf Duplikate ausgeschlossen wurden. Schlussendlich konnten 24 Artikel inkludiert werden. Die diskutierten Themen wurden in sechs unterschiedliche Anwendungsgebiete unterteilt. Anatomische Strukturerkennung (n=8), Kariesdetektion (n=5), Radiologische Parodontalanalyse (n=4), Erkennung periapikaler Läsionen (n=4), Klassifikation zystischer Läsionen (n=4) und Implantatanalyse. Vier Bildgebungsarten (OPG, KB, BF, DVT) wurden herangezogen, das OPG wurde am häufigsten genutzt (n=16). Acht CNN-Architekturen wurden eingesetzt: Individuell entworfenes CNN (n=4), Inception (n=4), MobileNet (n=2), ResNet (n=6), SqueezeNet (n=2), U- Net (n=3), VGG (n=2) YOLO (n=3). Konklusion: Die analysierten Studien haben gezeigt, dass die KI in einigen Fachbereichen der Zahnmedizin weit verbreitet ist. Sie ist auf gutem Weg, ein wertvolles Hilfsmittel für das Fachpersonal zu werden. Obwohl weitere Forschungsarbeiten erforderlich sind, zeigen sich erste vielversprechende Schritte zur Realisierung eines ML-basierten Hilfsmittels. Vor allem für unerfahrenere Zahnärzt*innen könnte das hilfreich sein, da sie eine exakte Diagnosestellung erleichtern. Durch die unterstützenden Algorithmen könnte eine Zeitersparnis erreicht werden, was im oft stressigen klinischen Alltag vorteilhaft sein kann.