MACHINE LEARNING EM MATERIAIS DENTÁRIOS RESTAURADORES / MACHINE LEARNING IN RESTORATIVE DENTAL MATERIALS
Aprendizado de Máquina (do inglês Machine Learning - ML) é uma poderosa subárea da inteligência artificial que permite que os sistemas aprendam autonomamente com os dados e melhorem seu desempenho. As técnicas de ML são aplicadas em uma ampla gama de aplicações na área da saúde, como análise de imagens médicas, diagnóstico de doenças, planos de tratamento personalizados e desenvolvimento de medicamentos. Na odontologia, ML pode ser aplicado na previsão de propriedades de materiais dentários, com base em sua composição, estrutura e desempenho, o que pode levar ao desenvolvimento de materiais dentários restauradores mais seguros e eficazes. Este estudo realizou uma pesquisa abrangente de artigos usando bancos de dados respeitáveis e empregou vários termos de consulta relacionados a ML, odontologia e materiais odontológicos. Um total de 115 artigos foram selecionados de um pool inicial de 537 estudos, após análise e categorização. Esses artigos abrangiam várias especialidades odontológicas, sendo a implantodontia, a odontologia restauradora e a estomatologia as categorias mais proeminentes. Os artigos selecionados exploraram principalmente a viabilidade e precisão das previsões do modelo de ML, bem como comparações entre diferentes modelos de ML. Dentro da categoria de odontologia restauradora, os modelos ML foram empregados para tarefas como design de coroas, identificação de materiais, previsão de cor e resistência para restaurações indiretas e avaliação do crescimento de biofilme. Uma variedade de metodologias de ML, incluindo regressão logística, redes neurais convolucionais e árvores de decisão de aumento de gradiente, foram empregadas nesses estudos. Embora o uso de modelos de ML na pesquisa odontológica tenha mostrado um crescimento notável, a aplicação específica de ML para o desenvolvimento e melhoria de materiais dentários restauradores permanece relativamente limitada. É fundamental reconhecer que os testes experimentais devem complementar os resultados obtidos dos modelos de ML para garantir sua confiabilidade e facilitar sua integração segura nas práticas odontológicas.
MACHINE LEARNING EM MATERIAIS DENTÁRIOS RESTAURADORES / MACHINE LEARNING IN RESTORATIVE DENTAL MATERIALS
-
DOI: 10.22533/at.ed.94723150811
-
Palavras-chave: Machine Learning. Inteligência artificial. Odontologia. Materiais Dentários. Odontologia restauradora
-
Keywords: Machine Learning. Artificial Intelligence. Dentistry. Dental Materials. Restorative Dentistry.
-
Abstract:
Machine learning (ML) is a powerful subset of artificial intelligence that enables systems to autonomously learn from data and improve their performance. In dentistry, ML might be applied in dental materials properties prediction, based on their composition, structure and performance, which might lead to safer and more effective restorative dental materials development. This study conducted a comprehensive article search using reputable databases and employed various query terms that relate to ML, dentistry, and dental materials. A total of 115 articles were selected from an initial pool of 537 studies, after analysis and categorization. These articles spanned various dental specialties, with implantology, restorative dentistry, and stomatology being the most prominent categories. The selected articles primarily explored the feasibility and accuracy of ML model predictions, as well as comparisons between different ML models. Image data played a significant role, with approximately 43.47% of the studies utilizing radiography, scanning electron microscopy, and photography. Within the restorative dentistry category, ML models were employed for tasks such as crown design, material identification, color and strength prediction for indirect restorations, and biofilm growth assessment. A range of ML methodologies, including logistic regression, convolutional neural networks, and gradient boosting decision trees, were employed in these studies. While the use of ML models in dental research has shown remarkable growth, the specific application of ML for the development and improvement of restorative dental materials remains relatively limited. It is crucial to acknowledge that experimental tests should complement the results obtained from ML models to ensure their reliability and facilitate their safe integration into dental practices.
- Simone Gomes de Oliveira
- Nelson Peixoto Kotowski Filho
- Rodrigo Jardim
- Alberto Martin Rivera Dávila
- Flávio Henrique Baggio Aguiar
