XiaoMi-AI文件搜索系统
World File Search Systemremovable
人工智能模型在可摘义齿修复中的应用及性能：文献综述
机器学习是一种从已知的数据集[4]中提取数据的过程。这种学习可以是监督学习（其中机器学习模型在已知的数据输入和输出上进行训练）或无监督学习（其中在没有任何预定义信息的情况下从输入数据中提取隐藏模式）。深度学习 (DL) 是机器学习的一个子集，包含一组具有多个数据处理层的数学模型[5]。其操作非常复杂，可以通过在多个抽象层次上表示极大数据集来做出决策和处理它们[4]。人工神经网络 (ANN) 是一种模拟生物系统的 DL 算法。它由三层组成：输入层（接收输入信号）、多个隐藏层和输出层[6]。深度 ANN 具有大量隐藏层，因此准确度很高[7]。其他 DL 网络架构是根据特定应用或学习数据开发出来的。例如，卷积神经网络 (CNN) 通常用于 DL 中的图像处理，包括使用医学图像进行自动分割和计算机辅助诊断[8]。循环神经网络（RNN）是另一种适合处理时间相关信息的网络架构，例如语音处理或视频分析[9]。
聚醚醚酮的计算机辅助设计及其在儿科可拆卸间隙保持器中的应用
背景：乳牙过早脱落是儿童牙科的常见问题，导致牙弓完整性被破坏。因此，用于维持空间的间隙保持器 (SM) 是必需的。然而，目前制作可拆卸间隙保持器 (RSM) 的方法存在一些局限性。方法：利用扫描技术结合激光医学图像重建获得牙列缺损的数字模型。使用 3Shape 软件设计数字 RSM。它们使用两种方法制造：聚醚醚酮 (PEEK) 和传统方法（每组 20 个 RSM）。对于定性评估，10 位专家使用 Likert 五点量表对 40 个 RSM 进行评分。用硅胶替换 RSM 组织表面和模型之间的间隙，并测量最大和平均距离以及标准差。使用三维变异分析来测量这些空间。使用学生 t 检验和 Satterthwaite t 检验来比较不同材料的空间差异。结果：PEEK RSMs与模型拟合度较好，定性评估中，PEEK组和常规组的专家平均评分分别为1.80±0.40和1.82±0.40，两组间差异无统计学意义（p=0.875）；定量评估中，PEEK数字RSMs和常规RSMs的平均间距分别为44.32±1.75μm和137.36±18.63μm，两组间差异有统计学意义（p<0.001），且两组间的最大间距和标准差均有显著差异。