Traduit de Espagnol vers Français - www.onlinedoctranslator.

com

Reçu : 16 juin 2021 Révisé : 30 septembre 2021 Accepté : 9 novembre 2021

DOI : 10.1111/jerd.12844

ARTICLE DE REVUE

Applications de l’intelligence artificielle en

dentisterie : un examen complet

Francisco Carrillo-Pérez MSc1 | Oscar E. Pecho PhD2 |

Juan Carlos Morales MSc1| Alvaro
Rade D. Paravina DDS, MS, PhD3 |
Della Bona DDS, PhD, FADM2 | Razvan Ghinea PhD4 |
Rosa Thumb PhD5| María del Mar Pérez, PhD4 | Luis Javier Herrera PhD1

1Département d'architecture et de technologie

informatiques, Université ETSIIT-CITIC de Abstrait
Grenade, Grenade, Espagne
Objectif:Réaliser un examen complet de l'utilisation de l'intelligence artificielle (IA) et de
2Programme d'études supérieures en médecine dentaire,
l'apprentissage automatique (ML) en dentisterie, en fournissant à la communauté un aperçu général
École dentaire, Université de Passo Fundo, Passo Fundo,
Brésil des différentes avancées produites par ces technologies et outils, en accordant une attention
3Département de dentisterie restauratrice et de particulière au domaine de Dentisterie esthétique et recherche sur les couleurs.
prosthodontie, École de médecine dentaire, Centre des
sciences de la santé de l'Université du Texas à Houston,
Matériels et méthodes:L'examen complet a été mené dans les bases de données
Houston, Texas, États-Unis MEDLINE/PubMed, Web of Science et Scopus, pour les articles publiés en anglais au
4Département d'optique, Faculté des sciences,
cours des 20 dernières années.
Université de Grenade, Grenade, Espagne
Résultats:Sur 3 871 articles éligibles, 120 ont été retenus pour l'évaluation finale. Les méthodologies
5Département de Stomatologie, Campus Cartuja,
Université de Grenade, Grenade, Espagne d'étude comprenaient l'apprentissage profond (DL ; n = 76), la logique floue (FL ; n = 12) et d'autres

techniques de ML (n = 32), principalement appliquées à l'identification des maladies, à la

Correspondance
Francisco Carrillo-Perez, Département segmentation d'images, à la correction d'images et à la couleur biomimétique. analyse et
d'architecture et de technologie
modélisation. Conclusions :Les informations fournies par le présent travail ont donné des résultats
informatiques, ETSIIT-CITIC Université de
Grenade, Grenade 18071, Espagne. exceptionnels dans la conception de systèmes d'aide à la décision hautes performances pour les
Courriel : [email protected]
domaines susmentionnés. L’avenir de la dentisterie numérique passe par la conception d’approches

Informations sur le financement intégrées offrant des traitements personnalisés aux patients. De plus, la dentisterie esthétique peut
Ce travail a été financé par le ministère espagnol des
bénéficier de ces avancées en développant des modèles permettant une caractérisation complète de
Sciences, de l'Innovation et des Universités dans le
cadre des projets RTI2018-101674-B-I00 et la couleur des dents, améliorant ainsi la précision des restaurations dentaires.
PGC2018-101904-A-100, projet A.TEP.280.UGR18
Signification clinique:L’utilisation de l’IA et du ML a un impact croissant sur la profession dentaire et
de l'Université de Grenade, projet I+D+I Junta de
Andalucía 2020 P20-00200 et subvention complète le développement de technologies et d’outils numériques, avec une large application dans
Fapergs/Capes do Brasil 19/2551- 0000928-3 .
la planification des traitements et les procédures de dentisterie esthétique.
Financement des frais de libre accès : Université
de Grenade / CBUA
MOTS CLÉS
intelligence artificielle, apprentissage profond, dentisterie, apprentissage automatique

Oscar E. Pecho et Juan Carlos Morales ont contribué à parts égales à ce travail.
Alvaro Della Bona, Rade D. Paravina et Razvan Ghinea ont contribué à parts égales à ce travail. María del Mar Pérez et Rosa Pulgar ont contribué à parts égales à ce travail. .

Il s'agit d'un article en libre accès selon les termes de la licence Creative Commons Attribution-NonCommercial-NoDerivs, qui autorise l'utilisation et la distribution sur n'importe quel support, à condition que
l'œuvre originale soit correctement citée, que l'utilisation soit non commerciale et qu'aucune modification ou adaptation ne soit apportée. .

© 2021 Les auteurs.Journal de dentisterie esthétique et restauratricepublié par Wiley Periodicals LLC.

J Esthet Restaurateur Dent.2022 ; 34 : 259-280. wileyonlinelibrary.com/journal/jerd 259

 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
260 CARRILLO-PEREZET AL.

1 | INTRODUCTION avec l'incertitude des données et avec sa capacité à fournir des solutions interprétables aux

experts sous forme de bases de règles. Plus précisément, un domaine ayant une applicabilité

Depuis ses débuts, l’utilisation de l’intelligence artificielle (IA) a apporté des progrès de importante à la dentisterie esthétique est la technique dite de dénomination des couleurs

grande importance, qui ont amélioré notre vie et nos activités quotidiennes à bien des (c'est-à-dire la désignation des couleurs). Les premiers résultats indiquent qu’il pourrait être

égards (reconnaissance faciale, voitures autonomes et classification d’images, entre possible de combler le fossé entre la représentation informatique des couleurs dans les

autres). Un nombre croissant de domaines peuvent bénéficier du soutien de l'IA, y appareils numériques et la perception humaine subjective de la couleur.27Les couleurs floues,

compris le domaine chirurgical (par exemple, les systèmes intelligents pour la définies comme des ensembles flous, permettent d'introduire de la sémantique dans le

chirurgie assistée et la vidéochirurgie).1.2 fonctionnement automatique et la description des couleurs.28

diagnostic automatique des maladies (par exemple, systèmes de diagnostic d'aide à la Enfin, DL29a égalé et amélioré les performances humaines pour des tâches très

décision à partir d'images)3 à 5et la médecine personnalisée récemment développée, complexes dans des domaines tels que le traitement d'images (par exemple, détection

qui assurait la prédisposition aux maladies, le diagnostic et la sélection du meilleur d'objets et identification de visages) et le traitement du son (par exemple, synthèse et

traitement pour un individu donné.6-11Même si la médecine dentaire ne semble pas traitement de la parole). En dentisterie, les premiers modèles basés sur les réseaux de

être grandement touchée par les progrès de l'IA, certains domaines tels que la neurones convolutifs (CNN) et la photographie 2D et 3D émergent pour la conception

détection automatique des maladies basée sur l'image et d'autres systèmes d'aide au 3D de prothèses dentaires, avec des résultats très encourageants.14h15

diagnostic,12,13segmentation d'images pour la détection automatique des traits oraux, Les initiatives industrielles visant à stocker virtuellement les informations d’un grand nombre

14h15et amélioration de la résolution des images liées à la dentisterie,16connaissent des de cas pour un traitement ultérieur permettent de constituer une base de connaissances pour

améliorations significatives grâce à l’utilisation de l’IA.17Du côté de la robotique, aider à concevoir des traitements optimisés basés sur les techniques du big data et de l’IA.30

plusieurs avancées permettent également l’utilisation du support robotique en Récemment, plusieurs revues ont été publiées concernant l'IA et le ML avec la dentisterie. Ils

dentisterie.18 ont abordé le sujet d'un point de vue clinique,31-34soit en se concentrant sur des domaines

Quoi qu’il en soit, la porte reste grande ouverte aux techniques d’IA dans de nombreux domaines de la spécifiques de recherche en dentisterie (IA pour la radiologie dentaire et maxillo-faciale,35

dentisterie, le tout dans le cadre du paradigme émergent de la dentisterie numérique. dentisterie médico-légale,36

Plusieurs facteurs ont contribué à cette récente vague de révolution de l’IA en orthodontie,37.38cavitées dentaires39) ou sur des domaines de travail spécifiques de l'IA

biomédecine. Premièrement, la collecte de données a augmenté de façon exponentielle au en dentisterie (DL en dentisterie,40IA pour l'imagerie dentaire).39,41-43D’autres travaux

cours des dernières décennies. Pourtant, les données en elles-mêmes ne suffisent pas. Grâce de révision ont abordé les tendances et les défis futurs.44-48

aux développements du calcul haute performance (HPC), de nouvelles techniques d’IA Cette revue narrative complète donne un aperçu des différentes applications du

puissantes ont permis une extraction approfondie et perspicace des informations à partir des ML en dentisterie à partir d'une approche du problème axée sur le ML. Une attention

données collectées. Ce processus d'extraction d'informations est normalement appelé particulière a été accordée au domaine de la dentisterie esthétique et à la recherche

apprentissage automatique (ML), c'est-à-dire la partie de l'IA basée sur les données, dont sur les couleurs, ainsi qu'aux grands avantages que des techniques telles que DL et FL

l'objectif est de permettre aux machines (algorithmes exécutés dans les systèmes apportent dans ce domaine.

informatiques) d'en apprendre davantage sur un sujet spécifique à partir d'un certain Le manuscrit est organisé comme suit : La section 2 présente la
ensemble de données disponibles. . Ce type d’extraction d’informations est généralement méthodologie mise en œuvre pour réaliser la présente revue. Ensuite, l'article
réalisé à l’aide de techniques d’apprentissage supervisé, qui ont résolu de nombreux est organisé sur la base de la classification des techniques de ML, des trois
problèmes avec beaucoup de succès.19L'apprentissage supervisé consiste à apprendre une étapes principales susmentionnées et de leur application en dentisterie. La
fonction qui mappe un échantillon d'entrée à une sortie souhaitée, le tout basé sur une base section 3 présente le paradigme bien connu et révolutionnaire du DL, qui a
de données d'exemples de paires entrée-sortie. Une fois cette fonction apprise à l’aide des radicalement changé la façon dont le calcul et la science sont effectués, et
données d’entraînement, de nouvelles prédictions sur les nouveaux échantillons entrants résume les applications dentaires les plus récentes qui utilisent les réseaux
peuvent être effectuées.19 neuronaux profonds (DNN) pour résoudre un problème. variété de problèmes.
Dans le cadre de cette expansion spectaculaire dans toutes les sciences biomédicales, le Une introduction à d'autres techniques de ML est fournie dans la section 4,
ML a franchi un certain nombre d’étapes importantes. Il s'agit notamment de la résurgence telles que les techniques de KM et d'arbre de décision augmentant le gradient,
ces dernières années des réseaux de neurones sous le nouveau paradigme de l'apprentissage ainsi que leurs applications. Enfin, la section 5 présente le paradigme FL, y
profond (DL), de l'incursion de la logique floue (FL) pour le traitement de l'incertitude et compris l'utilisation de systèmes flous pour la dénomination des couleurs en
l'étiquetage des données numériques par des termes « linguistiques », et de l'essor de dentisterie et de systèmes flous pour le diagnostic des maladies dentaires. La
l'apprentissage automatique. méthodes du noyau (KM) et d'autres techniques de ML section 5 est consacrée à certaines initiatives récentes de logiciels d’assistance
spécifiques telles que XGBoost. clinique, qui ont retenu l’attention ces dernières années et qui prétendent
Les KM ont révolutionné le domaine du ML à la fin des années 1990 et au début des appliquer des techniques d’IA dans leur fonctionnement. Enfin, la section 6 est
années 2000,vingtétant une technique très appréciée pour les tâches de reconnaissance de consacrée à la portée future des techniques d’IA basées sur les données en
formes pour des ensembles de données de taille moyenne.vingt-et-unD'autres techniques de dentisterie, tant du point de vue informatique que clinique.

reconnaissance de formes qui ont fortement impacté le domaine du ML incluent la forêt

aléatoire (RF) et XGBoost,22,23méthodes basées sur des arbres de décision fréquemment

appliquées à un large éventail de problèmes biomédicaux, y compris la dentisterie.24 2 | MATÉRIELS ET MÉTHODES

FL est un paradigme bien connu, largement utilisé dans la
conception de systèmes d’aide à la décision et d’autres applications. L’examen comprenait des études faisant état des méthodologies et des applications

25.26Ses principaux avantages sont liés à sa capacité à traiter de l’IA et du ML en dentisterie. De plus, les ensembles de données et les
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 261

la comparaison (avis d’expert ou normes de référence) utilisée pour le modèle Après avoir effectué une recherche dans chaque base de données, le

devait être indiquée et les résultats des études devaient être quantifiés logiciel Mendeley a été utilisé pour éliminer les doublons. Deux évaluateurs

(résultats prédictifs ou mesurables). En revanche, les critères d’exclusion étaient (FCP et OEP) ont sélectionné indépendamment les études en analysant le titre

les suivants : et le résumé, selon les critères décrits précédemment. En cas de désaccord,

celui-ci a été résolu par consensus d'un troisième évaluateur (Luis Javier
1. Type d'étude : études sur les animaux, études médico-légales, revues de la Herrera). Lors de la lecture du texte intégral, les raisons d'exclusion d'un article
littérature sur les applications de l'IA en dentisterie, lettres aux éditeurs, ont été enregistrées (Figure 1).
commentaires, études basées sur des questionnaires et résumés de conférences. Une analyse descriptive des résultats a été utilisée pour évaluer les
2. Méthodologie : études d'IA non appliquées à la dentisterie, à la robotique, données. Étant donné que les études sélectionnées avaient une grande

modèle d'IA non décrit. diversité d'objectifs et que l'objectif de la présente étude est d'analyser les

3. Résultat : études qui n'ont pas rapporté de résultats numériques ou différentes méthodologies de ML appliquées en dentisterie, une analyse
mesurables. quantitative a été jugée peu pratique. Par conséquent, une synthèse de
4. Études utilisant l'apprentissage supervisé qui n'ont pas fourni d'informations sur les données qualitatives a été réalisée pour cette revue narrative complète, basée
ensembles de données utilisés ni pour le test de formation ni pour la validation croisée sur une recherche systématique.
pour l'évaluation de la méthodologie Le tableau 2 présente les méthodologies et applications de l'IA en dentisterie

rapportées dans les études incluses (120), qui sont également organisées en fonction

Une recherche systématique a été menée dans trois bases de données de leur type de données. Le tableau 3 présente un glossaire avec les termes AI et ML

différentes (MEDLINE/PubMed, Web of Science et Scopus). Toutes les études utilisés tout au long du manuscrit.

ont été publiées en anglais au cours des 20 dernières années et la dernière

recherche a été effectuée le 1er janvier 2021. Le tableau 1 présente la stratégie

de recherche et les termes utilisés pour PubMed. La stratégie de recherche 3 | APPLICATIONS DE L'APPRENTISSAGE PROFOND EN
effectuée sur Web of Science et Scopus a été adaptée pour chaque base de DENTISTERIE
données.
Les réseaux de neurones artificiels (ANN) sont des algorithmes d'apprentissage basés sur le

fonctionnement des réseaux de neurones biologiques. Ils peuvent être utilisés pour des

problèmes d’apprentissage supervisé, non supervisé et par renforcement et ont été utilisés

TABLEAU 1 Stratégie de recherche structurée réalisée dans MEDLINE/ pour résoudre de nombreux problèmes différents. La structure de base d'un ANN est un
Base de données PubMed. Les recherches sur Scopus et Web of Science ont été
ensemble de couches interconnectées de neurones opérationnels, et le terme profondfait
adaptées en fonction de la base de données respective
référence à l'ANN avec un grand nombre (profond) de couches et de neurones par couche.

Recherche Sujet et termes

#1 Intelligence artificielle : « intelligence artificielle » OU « machine Les applications du DL en dentisterie sont probablement le domaine de
apprentissage » OU « réseaux de neurones » OU « apprentissage recherche le plus prometteur dans ce domaine. Ce type de techniques peut contribuer
profond » OU « logique floue » OU « intelligence computationnelle » OU
à la conception de systèmes d’aide à la décision performants puisqu’ils permettent
« intelligence machine » OU « raisonnement informatique » OU «
l’identification de modèles spécifiques à partir de grandes bases de données d’images
Machines à vecteurs de support » OU « réseaux contradictoires
génératifs » OU « dénomination des couleurs » OU « Système flou TSK » (bien que n’importe quel type de signal biomédical ou d’autres sources de données
OU « Systèmes de vision par ordinateur » OU « Apprentissage puissent être utilisés).
automatique supervisé » OU « Moyens C flous » OU « Apprentissage
automatique non supervisé » OU « Clustering » OU « Traitement du
langage naturel » OU « Système flou TSK » OU « Vision par ordinateur »
Systèmes » OU « Apprentissage automatique supervisé » OU « Moyens C 3.1 | Fonctionnement de base d'un réseau de neurones artificiels
flous » OU « Apprentissage automatique non supervisé » OU «
Clustering » OU « Traitement du langage naturel »
Le type d'ANN le plus général est le perceptron multicouche, également connu sous le

nom de réseau neuronal à action directe (FFNN), dans lequel les connexions entre les
#2 Dentisterie : « dentisterie » (Mesh) OU « dentisterie » OU « opératoire »
nœuds ne forment pas de cycle. Dans ce type de réseaux, les informations se
dentisterie » OU « dentisterie esthétique » OU « orthodontie » OU «
déplacent dans une seule direction, vers l'avant, depuis les nœuds d'entrée, via les
dentisterie pédiatrique » OU « pathologie buccale » OU
« parodontie » OU « dentisterie préventive » OU « prosthodontie » OU « nœuds cachés (le cas échéant) et vers les nœuds de sortie.162
chirurgie buccale » OU « médecine buccale » OU « endodontie » OU « Les éléments de base des ANN (et des FFNN en particulier) sont ce qu'on
cancer buccal » OU « segmentation dentaire » OU « prosthodontie » OU
appelle les neurones. Le neurone est formé d'un vecteur de poidsW,une valeur
« matériaux dentaires » OU « couleur des dents » OU « orthodontie »
unique nommée biaisb,et la fonction d'activation. Le neurone calcule le produit
OU « dentisterie pédiatrique » OU « pathologie buccale » OU «
parodontie » OU « dentisterie préventive » OU « chirurgie buccale » OU interne de ses entrées et le vecteur de poids plus le biais et, compte tenu de ce
« médecine buccale » OU « endodontie » OU « cancer de la bouche » calcul, la fonction d'activation détermine si le neurone s'activera ou non. Si la
somme dépasse un seuil θ, elle reviendra à un ; si ce n’est pas le cas, il reviendra
à zéro. Les neurones sont regroupés en couches qui, dans le cas des FFNN, sont
#3 Recherche #1 ET #2
nommées comme suit :
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
262 CARRILLO-PEREZET AL.

FIGURE 1 Organigramme de la recherche électronique

• Couche d'entrée : couche qui reçoit les données d'entrée. où η est le taux d'apprentissage et∂ET ∂west le gradient des erreurs par rapport à

• Couche de sortie : couche qui détermine la sortie du réseau. La couche les poids. Le gradient indique comment une fonction varie par
de sortie aurait le même nombre de neurones et le même nombre de rapport à la variable à dériver. Le signe négatif est utilisé car l’erreur
classes dans l'ensemble de données. doit être minimisée. Les FFNN se sont avérés être un approximateur
• Couche cachée : Couche (il peut y en avoir une ou plusieurs) qui traite universel.164Un schéma de base d'un FFNN peut être observé dans la
les informations de la couche précédente et calcule sa sortie, qui est figure 2.
prise en entrée par la couche suivante. Ce fonctionnement de base des réseaux avec un certain nombre de

couches représente la pierre angulaire d'autres modèles DL plus complexes,

Pour un problème donné, les poids des neurones doivent être appris afin de se tels que les réseaux de neurones récurrents (RNN) ou les prochains CNN revus.
rapprocher correctement de la fonction qui classerait ou prédirait une entrée. Pour Ceux-ci se sont révélés utiles pour résoudre un certain nombre de problèmes
accomplir cette tâche, l'algorithme de rétropropagation163a été proposé. Il utilise un spécifiques.
ensemble de données d'échantillons d'un problème avec un résultat connu et met à

jour les pondérations de manière itérative comme suit :

3.2 | Réseaux de neurones convolutifs

wkème1¼wkþΔw,
Basées sur la popularité du perceptron multicouche, d’autres architectures de
∂ET réseaux neuronaux ont été proposées. Un exemple est celui des CNN, avec un
ΔwYo¼-η - ,
∂w fort impact en vision par ordinateur grâce à une architecture
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 263

TABLEAU 2 Études incluses organisées par les méthodes et techniques d'IA, les problèmes cibles et le type de données utilisé

Technique Application Problème cible et numéro d’études Type de données utilisé

profond

apprentissage

Identification de la maladie cavitées dentaires,12 : 49-53cancer de la bouche,54-62

Radiographie,12,49,50,57,58,65–73,77C.T.
gingivite,63,64d'autres maladies65-80 images,59,74,76,80Autres formats d'images,51.53–
56,61,63,64,75,78,79donnée
clinique52,60,62

Segmentation d'images Segmentation dentaire 3D,14,15,81-84Dent 2D

Radiographie,72,73,85-88,91-93,95,99-102 106CBCT
segmentation,85-89classification et numérotation des
images,14,80,82–84,89,90,94,98,103,104autres
dents,90-95segmentation pour le diagnostic des
formats d'images15,53,61,79,81,96,97
maladies,53,61,72,73,79,80segmentation d'autres surfaces
buccales,96-102des objets en métal,103-105la
morphologie des racines,106alignement des dents107

Correction d'images Amélioration d'images16 108 109 Images CBCT16 108 109

Autres applications Classement des implants dentaires,110-112point de repère Radiographie,110-112 115Images CBCT,105 116
détection,113-116prévoir les forces de coupe,117 données cliniques/autres types,117-120autres
besoin d'un traitement orthodontique,118 119prédiction de formats d'images113 114
l’état des artefacts dentaires.105Correspondance des couleurs

120

M.L.
techniques

Identification de la maladie cavitées dentaires,13 121 122parodontale Radiographie,122autre image

maladie,123-127cancer de la bouche,128-135douleur dentaire,136 formats,121 128 129clinique/biologique
données13 123-127 130-139
mauvaise odeur buccale,137détection des fentes buccales.138

Prévention des maladies bucco-dentaires139

Autres applications Détection de restauration dentaire,140dentaire Radiographie,140 143des images CBCT,144clinique/

déformations,141échec des implants dentaires,142 des données biologiques,24 142 147-149autre image
segmentation et numérotation des dents,143 144
formats141 146 150
prédire les niveaux osseux des implants,145

correspondance des nuances,146besoins en matière de

soins dentaires et d’extraction dentaire24 147-150

logique floue

Identification de la maladie Maladie parodontale,151Risque de candidose Données cliniques/biologiques,151-154

facteur,152autres maladies et radiographie155-158
applications153-158

Analyse biomimétique des couleurs et Dénomination des couleurs,28seuil de couleur Mesures de la couleur des dents28 159-161
la modélisation calcul,159 160optimisation du
teintier161

basé sur l'opération de convolution, qui est appliquée comme une multiplication En raison de sa complexité, cette tâche était considérée comme l'une des plus difficiles

matricielle entre un filtre et les données. Les CNN existent depuis longtemps. Bien en vision par ordinateur. La figure 3 montre l'opération de base de convolution. À la

qu'ils aient été proposés pour la première fois en 1980,165Ce n’est que lorsque base, il peut facilement détecter les bords, les lignes, les textures et autres motifs

diverses modifications ont été appliquées aux algorithmes d’apprentissage, que la simples dans une image. En utilisant différentes couches avec un algorithme

quantité de données disponibles a été considérablement augmentée et que les plates- d'apprentissage adéquat, des filtres plus complexes peuvent être appris. Ces filtres

formes informatiques nécessaires ont été développées, que les CNN ont été revisités. plus complexes seraient non seulement capables de détecter des formes complexes

L'un des travaux les plus importants de cette nouvelle ère des CNN a été proposé pour spécifiques dans les images ou dans les signaux présentés, plus pertinents pour le

résoudre un problème de classification numérique.166Depuis lors, de nombreuses problème abordé, mais ils amélioreraient également les performances du modèle par

études ont été publiées montrant que les CNN surpassent d'autres techniques établies rapport à d'autres méthodes plus traditionnelles. En fait, dans les CNN, en appliquant

(dans certains cas, surpassant même les capacités humaines) dans de multiples l'opération de convolution et grâce à la rétropropagation de l'erreur pour la mise à

problèmes de vision par ordinateur,167y compris la reconnaissance de formes, la jour des poids, ces filtres complexes sont appris de manière simple.29En regroupant

segmentation d'images et la génération d'images. l'opération convolutive en couches convolutives, différentes caractéristiques

spécifiques peuvent être apprises au sein d'une même couche. L'utilisation de

Ce qui rend les CNN si spéciaux, c'est leur capacité raffinée à extraire automatiquement plusieurs couches conduirait à une structure hiérarchique où les premières couches

des fonctionnalités à partir de données. Auparavant, les fonctionnalités devaient être extraites apprendraient les fonctionnalités de base.

par la mainà partir d’images pour un traitement ultérieur.168En raison de

 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
264 CARRILLO-PEREZET AL.

TABLEAU 3 Glossaire

Acronyme Terme Définition

IA intelligence artificielle La théorie et le développement de systèmes informatiques capables d'effectuer des tâches nécessitant normalement l'intervention humaine.

intelligence, telle que la perception visuelle, la reconnaissance vocale, la prise de décision et la traduction entre les
langues

Enseignement supervisé Approche ML où les données étiquetées sont utilisées pour prédire les étiquettes ou les résultats

N.N. Réseau neuronal Technique de ML inspirée des neurones biologiques où l'entrée est transmise à une ou plusieurs couches pour produire un
sortir

FFNN Feed forward neuronal Technique de ML inspirée des neurones biologiques où l'entrée est transmise à une ou plusieurs couches pour produire un
réseau sortir

DNN Réseaux de neurones profonds NN avec plusieurs couches cachées, permettant une construction de fonctionnalités plus complexes

T.L. Transférer l'apprentissage Technique pour DNN qui utilisait les poids précédemment appris à partir d'un ensemble de données plus grand pour apprendre dans un ensemble de données plus petit

cnn Neurone convolutif Type spécial de NN. Il peut extraire des informations spatiales au moyen de filtres utilisant l'opérateur de convolution.
réseau

GAN Accusation générative Méthodologie utilisée pour générer des données similaires aux données d'entrée. Utilisez deux modèles différents qui
réseaux rivaliser les uns contre les autres

SVM Machines vectorielles de support Technique ML où, pour la classification, un hyperplan de séparation de marge maximale est construit afin que les échantillons
les différentes catégories sont divisées par un écart clair et aussi large que possible

DT Arbre de décision Structure de type organigramme dans laquelle chaque nœud interne représente un « test » sur un attribut, chaque branche
représente le résultat du test et chaque nœud feuille représente une étiquette de classe

Ensachage Méthodologie ML qui combine la prédiction de plusieurs classificateurs faibles afin d'améliorer la classification
performance

Booster Méthodologie ML qui construit des classificateurs séquentiellement en fonction de l'erreur du classificateur précédent afin de
améliorer les performances de classification

RF Forêt aléatoire Méthodologie qui combine la prédiction d'un nombre élevé d'arbres de décision faibles, en faisant la moyenne de leurs
prédictions pour effectuer une prédiction finale

FR Augmentation du dégradé Méthodologie qui construit des classificateurs séquentiellement en fonction de l'erreur des précédents

F.L. logique floue Une forme de logique à plusieurs valeurs dans laquelle les valeurs de vérité des variables peuvent être n'importe quel nombre réel compris entre 0 et 1.

tous deux inclus. Il est utilisé pour gérer le concept de vérité partielle, où la valeur de vérité peut varier entre
complètement vraie et complètement fausse.

Processus de fuzzification Convertit les entrées à valeurs numériques données en ensembles flous en fonction de leurs fonctions d'appartenance pour leur
opération ultérieure utilisant la logique floue

Base de connaissances Fournit la définition des valeurs linguistiques de chacune des variables considérées dans un problème, ensemble
avec les règles constituant la base de règles du système

Moteur d'inférence Fonctionne selon les valeurs d'entrée fournies et la base de règles. C'est lui-même le cœur du système flou
et ressemble à la capacité humaine à prendre des décisions

Biomimétique Elle est définie comme l'examen de la nature, de ses modèles, systèmes, processus et éléments à imiter ou à prendre en compte.
s'inspirer de la nature pour résoudre les problèmes humains

(par exemple, des lignes ou des coins) et transmettra ces informations aux couches fonction d'activation.29Cela réduit la quantité d'informations
restantes afin de détecter des caractéristiques plus complexes (par exemple, des extraites par les filtres de convolution.
chiffres ou des panneaux de signalisation). Dans leur fonctionnement, les CNN sont • Couches entièrement connectées/denses : celles-ci sont placées comme couches

formés de différents types de couches : finales du CNN. Les couches entièrement connectées connectent chaque neurone

d'une couche à chaque neurone d'une autre couche, et c'est le même composant

• Couche convolutive : comme expliqué, celles-ci sont basées sur l'opération principal de FFNN. Ils opèrent sur les caractéristiques apprises par les couches

convolutive, qui est appliquée à l'ensemble du domaine spatial des données convolutives afin d'effectuer la classification.

(image ou signal). Leur objectif principal est d'extraire des informations des

données, en transformant les valeurs d'entrée en une représentation Une architecture générale pour un CNN peut être observée sur la figure 4.

différente. En interne, ce sont des matrices de poids qui sont apprises au L'opération d'extraction de caractéristiques est effectuée par un ensemble de filtres

cours du processus de formation (Figure 3). convolutifs (sous forme de couches convolutives). Plus tard, ces filtres sont utilisés

• Couche de regroupement : le regroupement des couches réduit les dimensions pour des tâches prédictives, en utilisant des couches entièrement connectées.

des données en combinant les sorties des clusters de neurones d'une couche en Un aspect important à prendre en compte lors de l'utilisation des techniques DL est qu'elles

un seul neurone de la couche suivante. Ils sont généralement placés après le nécessitent normalement de grandes bases de données d'images de haute qualité pour
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 265

FIGURE 2 Exemple d'architecture de

FFNN avec quatre entrées et une sortie.
FFNN, réseau neuronal à feed forward

apprendre des modèles très spécifiques. Cela nécessite beaucoup de temps de calcul et des de l'hyperspectral54ou photographique55images, différents types d'images
systèmes HPC puissants. Afin d'éviter ces éventuels inconvénients, l'apprentissage par médicales,56-59,61ou par l'utilisation de données cliniques.60,62
transfert (TL) permet d'utiliser un réseau pré-entraîné (un DNN qui a été formé sur un autre Un groupe a utilisé un réseau CNN GoogLeNet Inception v3 pré-entraîné170pour

ensemble de données), capable d'identifier des modèles complexes dans les données d'image, détecter et diagnostiquer les caries dentaires des prémolaires et des molaires.12

pour une certaine application. Ce réseau pourrait être partiellement recyclé (réglage fin) avec L'ensemble de données (3 000 images radiographiques périapicales) a été formé à

la base de données de l'application (qui est généralement beaucoup plus petite) afin de l'aide de TL. La précision du diagnostic des caries dentaires était de 89,0 % pour les

classer un ensemble de modèles modérément différents. Cela élargit considérablement la prémolaires et de 88,0 % pour les molaires. Plus récemment, il a été signalé qu'un

convivialité des modèles DL pour des tâches spécifiques, en apprenant des modèles d'images modèle basé sur CNN (U-Net176) pour la détection des caries a été utilisé, atteignant

globaux dans une base de données suffisamment grande, mais en les affinant avec une base une précision de 80 % à l'aide d'images radiographiques.49L'utilisation de données

de données plus petite et plus spécifique. Plusieurs réseaux sont couramment utilisés par les cliniques sur les FFNN peu profonds a également été inspectée pour l'estimation de la

chercheurs pour aborder les problèmes de vision par ordinateur à l'aide de TL, comme présence de caries,52et pourpost-Streptocoqueestimation des mutants avant

GoogLeNet Inception v3,170ResNet171sous ses différentes formes (Resnet-18, Resnet-34, l’excavation des caries.cinquante

Resnet-50, Resnet-101 et Resnet-152) ou VGG net.172Les détails et les exemples de cette Pour le diagnostic et le pronostic du cancer de la bouche, des CNN avec des images

technique générale peuvent être examinés dans plusieurs articles publiés.173-175 hyperspectrales en entrée ont été utilisés, atteignant une précision de 91,4 % dans un CV 7

fois.54Des images photographiques et des TL ont été utilisées pour le carcinome épidermoïde

de la cavité buccale en utilisant une vaste base de données contenant plus de 40 000 images

pour atteindre une précision de 92,3 %.55D'autres travaux se sont concentrés sur les modèles

3.3 | Applications d'apprentissage profond CNN utilisant d'autres types d'images (histopathologiques,56

rayons X57.58ou tomographie par ordinateur-CBCT-scans à cône59), ou des ANN peu profonds

Étant donné que de grandes quantités de données médicales sont stockées numériquement, 60,62utilisant des caractéristiques cliniques, le tout avec un succès plus modeste.

les ANN profonds dotés de systèmes de détection assistés par ordinateur peuvent être Pour d’autres maladies, TL a été utilisé pour former un algorithme CNN destiné

appliqués à plusieurs domaines médicaux. En dentisterie, l'utilisation des ANN, et plus au diagnostic et à la prédiction des dents parodontales compromises à partir d’images

particulièrement des CNN, a produit des résultats intéressants en matière de diagnostic et de radiographiques.65En analysant l'ensemble de données périapicales (N = 1 840) avec

prédiction, notamment en radiologie et en pathologie, mettant en évidence trois domaines l'algorithme DL, la précision diagnostique de la maladie parodontale était de 81,0 %

d'application : l'identification de maladies ou de blessures, la segmentation d'images et leurs pour les prémolaires et de 76,7 % pour les molaires. De plus, différentes approches

applications, et la correction d'images grâce à l'utilisation des réseaux de neurones ont été suivies pour le diagnostic de la maladie de la gingivite, en employant des FFNN

antagonistes génératifs. Les sous-sections suivantes développent chacun de ces domaines peu profonds.63,64et CNN.79Une machine d'apprentissage extrême (un moyen simple

d’application. de former un modèle en utilisant des paramètres attribués de manière aléatoire) sur

une architecture ANN de base avec des fonctionnalités extraites manuellement a été

utilisée pour diagnostiquer la gingivite.63Les caractéristiques extraites étaient basées

3.3.1 | Identification de la maladie sur l'égalisation adaptative d'histogramme limitée par le contraste (CLAHE) et la

matrice de cooccurrence de niveaux de gris (GLCM). L’ensemble de données utilisé par

Les ANN ont été utilisés avec succès pour la détection des caries dentaires à partir les auteurs contenait 93 images numériques (58 images provenaient de cas de

d'images radiographiques périapicales,12,49,50d'autres types d'images radiographiques, gingivite et 35 images provenaient de patients sains utilisés comme contrôle). La

51images de transillumination proche infrarouge53ou des caractéristiques cliniques.52 méthodologie s'appuie sur des travaux antérieurs64et a montré des améliorations

De même, le diagnostic du cancer de la bouche bénéficie de l'utilisation de la DL, soit dans les résultats, atteignant 74 % de précision, 75 %
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
266 CARRILLO-PEREZET AL.

sensibilité et spécificité de 73%. Les CNN ont également été utilisés pour l’identification Pour la segmentation dentaire, une structure CNN hiérarchique à deux niveaux a été

précoce de la maladie dans les images intra-orales, obtenant ainsi d’excellents résultats.79 utilisée pour le marquage dents-gencive et le marquage inter-dents, atteignant une

De nouvelles approches, telles que les alternatives de santé mobile (mHealth), précision de 99,1 %. Des approches similaires ont été adoptées et les auteurs ont

sont actuellement en cours de développement pour l'auto-examen et l'identification utilisé des volumes d'intérêt pour la segmentation.82Certains auteurs ont utilisé le U-

de différentes affections bucco-dentaires (maladies ou signaux précoces de maladie) à Net176architecture,83ou un CNN 3D multi-tâches,84tous obtenant des résultats

l'aide d'une caméra de smartphone et d'approches Internet des objets (IoT).75Une remarquables. D'autres types de données tridimensionnelles ont été utilisés pour la

plateforme IoT intelligente de santé dentaire, qui utilise le réseau Mask-RCNN177pour segmentation dentaire. Une approche distincte utilisait un modèle dentaire CNN et 3D

la détection et la classification de sept maladies bucco-dentaires différentes, en combinaison avec un octree de voxel clairsemé, atteignant une grande précision

atteignant une précision moyenne de 93,6%, a été proposée.75 dans la tâche de segmentation.quinzeDes modèles dentaires 3D ont également été

La DL a également été utilisée dans la détection et l’évaluation d’autres appliqués avec succès en entrée, en utilisant des FFNN pour la tâche de segmentation.

maladies ou lésions à l’aide de différents types d’images. Les radiographies se 81

sont révélées utiles pour la perte osseuse parodontale,66,73,77l'ostéoporose,67 L'utilisation d'images 2D a également été explorée dans la littérature pour
lésions ressemblant à des kystes maxillaires,68maladie périapicale,69lésions apicales,70 la détection et la segmentation dentaire, principalement en utilisant des

détection des lésions72ou la détection de fractures radiculaires.71En outre, les examens CBCT radiographies,85-88mais aussi des images 2D obtenues à partir de scans CBCT.89
ont été utilisés avec succès pour diagnostiquer le syndrome de Gougerot-Sjögren,76 Des radiographies périapicales ont été utilisées pour la segmentation dentaire
pathologie périapicale74ou détection de lésions.80Enfin, l'utilisation d'images RVB pour en utilisant une architecture VGG-16, atteignant une précision et un rappel

la détection de plaque78a également été explorée dans la littérature. élevés (95,8 % et 96,1 %, respectivement).85De même, l'architecture Resnet-101
a été utilisée pour la même tâche, obtenant une précision dans la détection des
dents de 99,6 %.86Deux articles ont utilisé des approches similaires, obtenant

3.3.2 | Segmentation d'images dentaires et applications d’excellents résultats.87,88Le U-Net176l'architecture et les images 2D obtenues à
partir de tomodensitométrie (CT) ont également été utilisées, atteignant un
Les modèles CNN ont été largement utilisés pour la 3D14,15,81-84et 2D85-89 coefficient de similarité de 91,7 %.89

la segmentation des dents, y compris la classification et la numérotation des dents,90-95en utilisant des La segmentation des maladies bucco-dentaires peut augmenter les

scans CBCT pour les évaluations 3D.14.82-84Un ensemble de caractéristiques géométriques extraites performances du processus de diagnostic, puisque l’algorithme peut alors se

manuellement sous forme de représentations de caractéristiques de visage à partir d'analyses CBCT, concentrer sur les régions d’intérêt identifiées. Par conséquent, plusieurs travaux ont

ainsi qu'un ensemble de données de maillage dentaire étiqueté manuellement avec 1 200 échantillons segmenté la maladie avant le diagnostic pour une gamme de maladies et une gamme

ont été utilisés comme entrée pour cette tâche.14Pour de types d’images. Cette approche a été utile, par exemple,

FIGURE 3 Exemple de convolution

fonctionnement dans une couche convolutive

FIGURE 4 Exemple d'un

architecture générale de CNN.169
CNN, réseau de neurones
convolutifs
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 267

dans les lésions du sinus maxillaire sur les radiographies panoramiques,72 données d'entraînement, tandis que le réseau discriminateur tente de faire la

segmentation du carcinome épidermoïde oral en imagerie sur lame entière (WSI),61 distinction entre les échantillons tirés directement des données d'entraînement et

segmentation de la gingivite dans les images intra-orales,79la segmentation de la ceux produits par le générateur. Le discriminateur émet une probabilité que cet

perte osseuse parodontale et la classification des stades de parodontite à l'aide de échantillon soit tiré des données d'entraînement ou produit par le générateur. Par

radiographies panoramiques,73segmentation des lésions à l'aide d'images CT,80ou la conséquent, l’objectif du discriminateur est de classer correctement les échantillons

segmentation des caries dentaires à l'aide d'images de transillumination proche comme réels ou faux. Dans le même temps, le générateur tente de tromper le

infrarouge.53 classificateur en lui faisant croire que ses échantillons sont réels, en apprenant des

La segmentation d'autres surfaces buccales a également été largement données présentées. À la convergence, les échantillons du générateur ne peuvent pas

explorée dans la littérature à l'aide de radiographies dentaires,99-102imagerie être distingués des données réelles et le discriminateur génère tout sous forme de

échographique intra-orale,97Scans intra-oraux 3D,96ou des analyses CBCT.98Par données réelles. Un schéma d'un GAN peut être observé sur la figure 5.

exemple, un article a utilisé un modèle basé sur U-Net pour la segmentation de Depuis l'introduction des GAN,178plusieurs applications différentes ont été

la troisième molaire et du nerf mandibulaire.99Les auteurs ont obtenu un présentées, principalement pour les problèmes de vision par ordinateur. Tout type de

coefficient dé de 0,95 pour la troisième molaire et de 0,847 pour le nerf. Les modèle peut être utilisé avec les GAN, mais comme les GAN sont principalement

CNN ont également été utilisés pour la mesure de l'angulation molaire,100 utilisés dans les problèmes de vision par ordinateur, les CNN sont généralement le

détection du canal mandibulaire,98 102segmentation maxillo-faciale,101et la modèle préféré. Dans le cas où les CNN sont choisis, le modèle est appelé GAN à

segmentation de l'os alvéolaire.97Des FFNN ont également été mis en œuvre convolution profonde (DCGAN). Ces techniques ont été principalement appliquées en

pour la segmentation et l’étiquetage des surfaces dentaires brutes, atteignant dentisterie pour les images CT dentaires.

un coefficient moyen de 0,95.96 En dentisterie, les GAN ont été utilisés pour améliorer les images à faible résolution ou

Enfin, d'autres problèmes ont été résolus à l'aide des techniques DL défectueuses. Une étude a présenté une méthode basée sur DL pour améliorer la résolution

susmentionnées, telles que : la segmentation d'artefacts métalliques,103-105 des images tomodensitométriques dentaires à l'aide de deux architectures CNN (un réseau de

la morphologie des racines,106ou segmentation pour l'alignement des dents.107 sous-pixels et le réseau U-net).16Différentes mesures (rapport signal/bruit maximal [PSNR],

indice de similarité de structure et autres mesures objectives estimant la perception humaine)

ont été utilisées pour évaluer le modèle. L'approche CNN a amélioré les images CT,

3.3.3 | Correction d'image via des réseaux permettant une meilleure détection de caractéristiques telles que la taille, la forme et la

contradictoires génératifs courbure du canal radiculaire. De même, les GAN de Wasserstein ont été utilisés pour la

correction des artefacts de l’imagerie CT dentaire à faible dose.108Les auteurs ont formé un

Les réseaux adverses génératifs (GAN) sont un cadre ANN basé sur un scénario GAN avec une perte de distance de Wasserstein (WGAN) et d’erreur quadratique moyenne

de théorie des jeux dans lequel deux acteurs – le réseau générateur et le réseau (MSE), appelé m-WGAN, pour supprimer les artefacts et obtenir des images dentaires CT de

discriminateur – jouent l'un contre l'autre. Le réseau de générateurs produit des haute qualité. Les mesures utilisées pour évaluer les performances étaient le PSNR et les

échantillons en fonction de ce qu'il apprend du mesures structurelles.

FIGURE 5 Exemple d'architecture pour un GAN. GAN, réseau contradictoire génératif

 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
268 CARRILLO-PEREZET AL.

la similarité (SSIM) et les propriétés statistiques ont été utilisées pour les métriques. Le Dans la classification SVM linéaire, un hyperplan de séparation de marge

modèle m-WSGAN proposé a surpassé le GAN général. Une autre équipe a utilisé les maximale est construit de sorte que les échantillons de différentes catégories soient

GAN pour le débruitage d’imagerie du scanner dentaire, obtenant un PSNR de 24,0 et divisés par un écart clair aussi large que possible. Pour cela, le processus

un SSIM de 0,96.109 d'apprentissage identifie automatiquement un certain nombre d'échantillons

d'apprentissage (appelés vecteurs de support) qui définissent cet hyperplan. Les

nouveaux exemples sont ensuite cartographiés et il est prévu qu'ils appartiennent à

3.3.4 | Autres applications DL une catégorie en fonction de quel côté de l'écart ils se situent. Bien que sur sa base,

SVM soit un classificateur binaire, il peut également être appliqué comme

Les techniques DL ont été largement utilisées dans d’autres problèmes connexes, tels classificateur multi-classe en suivant une méthodologie d'ensemble de classificateurs

que la classification des implants dentaires.110-112Lorsque les radiographies TL et un contre un (OVO). Sous classement OVO,K(K1)/2les classificateurs binaires sont

périapicales ont été utilisées comme données d'identification pour l'implant, une formés. Au moment de la prédiction, un système de vote est appliqué : tousK(K1)/2les

précision de 98 % a été rapportée.110Des résultats similaires ont été obtenus avec la classificateurs sont appliqués à un échantillon invisible, et la classe avec le plus grand

même méthodologie, à l’exception de l’utilisation d’images radiographiques.111Une nombre de prédictions « +1 » est prédite par le classificateur combiné.183

autre étude a utilisé des CNN et des images radiographiques pour prédire les implants Le succès des KM, et des SVM en particulier, est lié à leur efficacité à effectuer

dentaires de différents fabricants.112 une classification non linéaire à l'aide de ce que l'on appelle l'astuce du noyau,

La littérature aborde également la détection des points de repère pour les traitements mappant implicitement leurs entrées dans des espaces de fonctionnalités de grande

orthodontiques.113-116Des céphalogrammes ont été utilisés sur un ANN d'attention multi-têtes dimension. L'astuce du noyau exploite en interne le produit interne dans ce que l'on

pour la prédiction de points de repère céphalométriques, atteignant une précision de 87,6 %. appelle l'espace double. En pratique, la fonction noyau peut être considérée comme

113De même, un CNN 3D a été utilisé pour la prédiction des points de repère chirurgicaux à une mesure de similarité entre échantillons, de sorte que lorsqu'un nouvel échantillon

l'aide d'images CT, obtenant une erreur moyenne de 5,8 mm par rapport au point de repère arrive, elle est appliquée à l'échantillon entrant par rapport aux vecteurs supports afin

d'origine.116Les images à rayons X ont été utilisées comme entrées pour la tâche de détection de sélectionner la classe finale de l'échantillon.

de points de repère avec une architecture codeur-décodeur114

ou CNN bayésiens.115
Dans le domaine de la recherche sur les couleurs, des FFNN peu profonds ont été 4.2 | Forêt aléatoire
utilisés pour concevoir un système de correspondance des couleurs identifiant les pigments

nécessaires pour correspondre à une couleur spécifique.120Les auteurs ont utilisé une base de RF22sont une méthodologie d’apprentissage d’ensemble basée sur des arbres de

données contenant 43 échantillons utilisant des combinaisons de pigments pour la couche décision. La popularité des arbres de décision individuels réside dans leur simple

corporelle d'échantillons métallo-céramiques. En comparaison avec une approche visuelle, ils interprétabilité, à partir de laquelle il est facile de vérifier les décisions du

ont réduit le Δ moyenETde 3,54 ± 1,11 à 1,89 ± 0,75. Les problèmes les plus intéressants qui classificateur. Un arbre de décision est formé d’un groupe de nœuds, de branches et

ont été explorés sont la nécessité d'un traitement orthodontique,118 119prédiction de l'état des de feuilles. Dans chaque nœud, une fonctionnalité spécifique est testée. Chaque

artefacts dentaires105ou la prévision des forces de coupe de différentes prothèses en branche représente le résultat de ce test et chaque feuille représenterait une classe.

céramique utilisant différentes caractéristiques sélectionnées manuellement.117 Un exemple d’arbre de décision peut être observé sur la figure 6A. Cependant, les

arbres de décision souffrent d’un biais de performance important par rapport à

d’autres méthodologies bien connues.

4 | AUTRES APPLICATIONS DU ML EN Les RF, quant à eux, sont formés d'un grand nombre d'arbres de décision,

DENTISTERIE chacun faisant une prédiction, et la classe avec le plus de votes est la prédiction du

classificateur RF. L'interprétabilité est en grande partie perdue, mais ils présentent un

L’utilisation de fonctionnalités extraites manuellement pour concevoir des systèmes comportement très précis. Leur pouvoir repose sur la présence d’arbres non corrélés,

automatiques d’aide à la décision constitue également un domaine de recherche intéressant puisque les arbres, étant non corrélés, se protégeront mutuellement des erreurs

en dentisterie. Plusieurs méthodologies de ML bien connues peuvent être trouvées dans la individuelles. Même si certains arbres peuvent se tromper, de nombreux autres arbres

littérature de référence sur l'IA, y compris des techniques de base telles que les k-voisins les auront raison. Ainsi, en tant que groupe, le FR peut avancer dans la bonne direction.

plus proches, l'arbre de décision, le classificateur Naive-Bayes et la régression logistique, ainsi Cette technique peut être enfermée dans ce qu'on appelle le bagging, une technique

que des méthodes plus avancées et contrastées. tels que les méthodes du noyau, les RF et d'assemblage simple dans laquelle de nombreux prédicteurs/modèles/apprenants

XGBoost. Dans cette section, l’accent est mis uniquement sur les trois en raison de leur indépendants sont construits et combinés à l'aide de certaines techniques de

importance comparative et de leur pouvoir de modélisation. moyenne de modèle (moyenne pondérée, vote majoritaire ou moyenne normale). Un

exemple de schéma RF lors de la prédiction peut être observé sur la figure 6B.

4.1 | Machines vectorielles de support

4.3 | Augmentation du dégradé

les KM, et plus particulièrement le support des machines vectorielles (SVM),179 180

sont une famille importante d’algorithmes d’apprentissage. Ils ont gagné en Contrairement à RF, l'augmentation de gradient (GB)185peuvent être classés dans les techniques

popularité au milieu des années 1990 et ont depuis été appliqués à de multiples d'ensemble de renforcement, dans lesquelles les prédicteurs, généralement également des arbres de

problèmes dans divers domaines, avec des résultats remarquables.6 181 182 décision, sont déterminés séquentiellement plutôt qu'indépendamment. dans
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 269

Dans ce cas, les prédicteurs suivants (également appelés modèles faibles dans la l'expression des gènes a été combinée pour la prédiction du pronostic, à l'aide de l'algorithme

terminologie britannique) apprennent des erreurs des classificateurs précédents. Par ElasticNet.135Pour la classification du cancer de la bouche, les WSI ont été utilisés en

conséquent, les erreurs ne se propagent pas au fil des itérations puisque les modèles combinaison avec différents algorithmes et fonctionnalités extraites manuellement, obtenant

suivants les corrigent, et chaque modèle faible supplémentaire réduit le MSE du ainsi des performances de classification élevées.128 130Un autre article a testé différents

modèle global. Les ajustements appliqués sont basés sur l'erreur calculée, appelée algorithmes de ML sur cette tâche en utilisant comme données cliniques d'entrée.130Il est

vecteur de direction. Sur cette base, l'ajustement est calculé en utilisant la descente de intéressant de noter que l’utilisation de données ADN provenant du microbiome muqueux a

gradient, qui donne une ampleur et une direction. Le processus de formation peut été explorée pour cette tâche en combinaison avec un RF et a donné d’excellents résultats.131

être résumé comme suit :

La prévision du besoin de soins dentaires a également été étudiée à l'aide de

1. Ajustez un classificateur sur les données. caractéristiques cliniques en combinaison avec un modèle de régression avec

2. Calculez l’erreur résiduelle. Valeur cible réelle, moins la valeur cible sélection de caractéristiques LASSO.147et d'autres méthodes.148 149Pour la prédiction

prévue. des soins dentaires, huit caractéristiques ont été sélectionnées, les plus pertinentes

3. Ajustez un nouveau modèle sur les résidus d'erreur en tant que variable cible avec les étant les suivantes : la santé gingivale, les données démographiques, l'accès aux soins

mêmes variables d'entrée. de santé et les variables générales de santé.147Ces variables ont été utilisées comme

4. Ajoutez les résidus prédits aux prédictions précédentes. entrées pour différents modèles, tels que la régression logistique, SVM, RF et l'arbre

5. Ajustez un autre modèle sur les résidus restants et répétez les étapes 2 à 5 jusqu'à de classification et de régression. RF a surpassé les autres modèles en termes de

ce qu'il commence à surajuster ou que la somme des résidus devienne constante. précision (84,1 %). De plus, la prévision de la nécessité d’une extraction dentaire a

Le surapprentissage peut être contrôlé en vérifiant systématiquement l'exactitude également été explorée dans la littérature en utilisant différents types d’images

des données de validation. photographiques.150ou des données cliniques.24

La prévention des maladies bucco-dentaires basée sur le comportement en matière d’hygiène bucco-

dentaire a également été rapportée. Une nouvelle méthode, basée sur des capteurs inertiels portés au poignet

4.4 | Techniques de ML appliquées à la dentisterie pour détecter les comportements de brossage et d'utilisation de la soie dentaire, a été proposée.139

Grâce aux données des capteurs, les auteurs ont pu prédire si l’utilisateur se brossait

Les algorithmes susmentionnés ont été utilisés dans la littérature pour résoudre une les dents ainsi que le début et la fin de l’action de brossage des dents. Leur modèle de

série de problèmes différents dans lesquels des caractéristiques significatives brossage a atteint un rappel médian de 100 % avec un taux de faux positifs d'un

spécifiques ont été identifiées/extraites manuellement par des experts pour un événement tous les 9 jours de port du capteur. La douleur dentaire a été estimée à

groupe de patients/cas. l’aide de paramètres de douleur sélectionnés et d’un classificateur bayésien naïf.136En

Les méthodes ML ont été utilisées pour sélectionner les variables les plus outre, l'utilisation d'informations omiques a été explorée dans la littérature pour

pertinentes afin de classer la présence et l’absence de caries radiculaires dans une prédire les mauvaises odeurs buccales (à l'aide de données sur l'expression génique),

étude portant sur un total de 5 135 volontaires.13Plusieurs variables ont alimenté les 137et fentes buccales (en utilisant des données sur les polymorphismes d'un seul

modèles ML et il a été déterminé que l'âge de l'individu était la variable la plus nucléotide).138

pertinente. En comparant les méthodes utilisées dans l'étude, les SVM ont montré les D'autres problèmes bénéficient de l'utilisation d'algorithmes ML et de

meilleures performances pour la détection des caries radiculaires, avec une exactitude différents types de données. Les radiographies et les SVM ont été utilisées pour

de 97,1 %, une précision de 95,1 %, une sensibilité de 99,6 % et une spécificité de 93,3 la détection des restaurations dentaires,140et la segmentation et la

%. D'autres approches ont été proposées dans la littérature en utilisant des numérotation des dents.143Les images des scans CBCT ont également été utiles

caractéristiques extraites d'images photographiques couleur.121et des images pour la segmentation et la numérotation des dents par RF.144Les images de

radiographiques,122obtenir des résultats similaires. céphalométrie en combinaison avec les SVM ont été utilisées pour

L’utilisation de ces techniques en combinaison avec différents types de données diagnostiquer des déformations,141et la tâche de correspondance des nuances

pour le diagnostic des maladies parodontales a été largement étudiée dans la a été réalisée à l'aide d'images RVB.146Enfin, des modèles cliniques et SVM ou

littérature.123-127En utilisant des SVM et des variables cliniques pour détecter les arborescents ont été utilisés pour prédire les niveaux osseux des implants.145et

maladies parodontales, une précision de 88,7 % a été obtenue dans une validation l'échec des implants dentaires par ensachage.142

croisée (CV) 10 fois utilisant 300 échantillons.124Une comparaison de biomarqueurs

entre la gingivite et la parodontite à l'aide de profils d'expression des gènes salivaires

a atteint une précision de 78 %.127D'autres types de données biologiques ou cliniques 5 | LOGIQUE FLOUE
ont été utilisées pour la détection de la maladie, comme l'ARNr,123profils microbiens,

125ou d'autres caractéristiques cliniques.126 La FL est apparue comme un moyen de gérer l’incertitude dans le fonctionnement et

Plusieurs approches ont été proposées dans la littérature pour le diagnostic du cancer la représentation des connaissances.26 186Les systèmes flous permettent un traitement

de la bouche128-131et prédiction de survie132-135en utilisant des algorithmes ML. Pour la de l'information plus proche de celui des humains que d'autres paradigmes

prédiction de la survie, une précision de 76 % a été obtenue en utilisant un arbre de décision informatiques bien connus pour deux raisons principales : les unités centrales de leur

et des caractéristiques cliniques pour une survie globale et sans récidive à 5 ans,134similaire à fonctionnement sont les ensembles flous qui peuvent correspondre à des termes de

d’autres résultats.133Les machines d'apprentissage extrêmes et les données cliniques ont quantification compréhensibles par l'homme tels quehautoufaiblepar exemple, pour

permis d'obtenir une erreur quadratique moyenne (RMSE) de 22,1 lors de la prédiction de la une variable de température dans un problème. La solution utilise des règles SI-

durée de survie.132Caractéristiques cliniques et ALORS, facilement interprétables par les experts, ayant des caractéristiques floues.
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
270 CARRILLO-PEREZET AL.

FIGURE 6 (A) Exemple d’arbre de décision prédisant une classe. (B) Exemple de méthode de forêt aléatoire, où chaque arbre prédit une classe et
alors la classe prédite par la majorité globale est prise184

ensembles dans leurs antécédents et conséquents (tels que : « SI la température est faible les ensembles flous comme conséquents et les systèmes flous de Takagi-Sugeno-Kang,188qui

ALORS Le chauffage doit êtrehaut").La conception de systèmes flous peut être pilotée soit par fournissent un moyen plus puissant de résoudre certains problèmes nécessitant une précision

l’apprentissage des données disponibles sur un problème donné, soit par des connaissances numérique. Cependant, dans le domaine biomédical, son utilisation est d'une importance

préalables fournies par des experts. cruciale dans le diagnostic assisté par ordinateur en médecine car elle peut fournir des

solutions interprétables dans lesquelles soit les experts peuvent intervenir dans la conception

des règles qui apportent la solution à une question donnée, soit l'apprentissage automatique

5.1 | Définitions et fonctionnement à partir des données disponibles fournit un ensemble de règles facilement compréhensibles

par les experts.

En FL, une valeur de vérité peut aller de 0 à 1, contrairement à la logique traditionnelle Dans la structure de base d’un système flou, plusieurs blocs peuvent être
(booléenne) dans laquelle les concepts vrais ou faux sont stricts. Plus précisément, en distingués (voir Figure 7). Premièrement, le processus dit de fuzzification qui
l'amenant à la théorie des ensembles flous, elle permet à un élément d'avoir une convertit les entrées à valeurs numérotées données en ensembles flous en
valeur d'appartenance à un ensemble spécifique allant de 0 à 1. Cela fournit un fonction de leurs fonctions d'appartenance, pour son opération ultérieure à
raisonnement et une opération plus humains dans lesquels on peut prendre des l'aide de FL. Une base de connaissances définit les valeurs linguistiques de
décisions complexes et effectuer des opérations complexes. contrôler des tâches chacune des variables considérées dans un problème, ainsi que les règles qui
basées sur des informations parfois imprécises ou vagues (floues). constituent la base de règles du système. Ensuite, le moteur d'inférence
FL définit l'ensemble des opérateurs autorisés entre les ensembles flous : Union, fonctionne en fonction des valeurs d'entrée fournies et de la base de règles.
Intersection, Négation, entre autres, et fournit les mécanismes nécessaires à un C’est le cœur du système flou et cela ressemble à la capacité humaine de prise
moteur de raisonnement basé sur des règles floues. Ce sont des règles SI-ALORS dans de décision. L'étape finale regroupe les sorties de toutes les règles activées et
lesquelles les antécédents et les conséquents sont des ensembles flous. Par exemple. convertit les sorties en une seule valeur numérique ou catégorielle.
Les systèmes flous ont fait l’objet de recherches approfondies depuis leur

SI la température estfaibleet l'humidité esthautALORS les chances de pluie sont apparition, et ils constituent toujours l’un des principaux domaines de recherche en

haut. matière d’informatique intelligente. Comme mentionné précédemment, leur

SI la température esthautet l'humidité estfaibleALORS les chances de pluie sont principale force n’est pas tant la précision (ou la sensibilité ou la spécificité) atteinte

faible. dans un problème donné, mais l’interprétabilité des solutions assistées par ordinateur

L’un des domaines d’application les plus connus de FL est le système qu’elles proposent.189 190Les dernières avancées en matière de recherche incluent par

de contrôle utilisé pour contrôler le métro de Sendai depuis la fin des exemple les systèmes génétiques flous191et d'autres techniques d'optimisation

années 1980. Dans cette perspective, il convient de mentionner qu'il automatique192d'un système flou à partir d'un ensemble de données spécifique, et des

existe deux principaux types de systèmes flous, selon le côté conséquent systèmes flous de type 2, qui offrent une gestion plus flexible de l'incertitude dans les

des règles : les systèmes Mamdani, plus interprétables,187qui utilise données.193

 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 271

FIGURE 7 Structure d'un système flou

5.2 | Applications de la logique floue en dentisterie étant le plus pertinent. Les facteurs prédisposants locaux et systémiques

suivants au CO ont également été étudiés : hyposalivation/xérostomie, port de

Un nouveau cadre appelé système de diagnostic dentaire (DDS) a été proposé pour prothèses dentaires, antibiothérapie, corticothérapie locale ou systémique,

aider au diagnostic de cinq maladies bucco-dentaires (fracture radiculaire, dents diabète sucré, autres troubles endocriniens, immunodéficience non liée au VIH

incluses, caries, dents manquantes et résorption de l'os alvéolaire) sur la base de 87 (par exemple, greffes d'organes) et tumeurs malignes antérieures. . Des

images radiographiques comme entrées.155Trois étapes différentes ont été réalisées associations significatives entre l'apparition des CO et leur maintien chronique

dans la méthode présentée : la segmentation, la classification et la prise de décision. ont été trouvées pour le port de prothèses dentaires et l'hyposalivation ou la

Dans ce travail, une méthode de clustering flou semi-supervisé a été utilisée pour la xérostomie comme facteurs de risque locaux, ainsi que pour l'âge et le sexe

tâche de segmentation. Une fois ce processus terminé, un nouvel algorithme de féminin comme variables sociodémographiques. Le tabagisme ne s’est pas

regroupement basé sur des graphiques combinant l'ensemble de données d'images révélé être un facteur de risque.

dentaires avec les caractéristiques du segment obtenu précédemment a été utilisé Des techniques floues ont également été utilisées pour le calcul automatique des

pour la tâche de classification. La précision du DDS était de 92,7 %, ce qui est meilleur indices mandibulaires dans les radiographies panoramiques dentaires pour la

que d'autres méthodes, telles que le système d'inférence floue (89,7 %), le voisin le détection précoce de l'ostéoporose. Un algorithme de classification floue à k-

plus proche k flou (80,1 %), l'arbre couvrant Prim (58,5 %), l'arbre couvrant Kruskal moyennes a été présenté pour identifier les structures artificielles.157Ensuite,

(58,5 %). et regroupement de propagation par affinité (90,9 %). différentes techniques de prétraitement d’images sont utilisées pour déterminer les

porosités afin d’effectuer un diagnostic précoce de l’ostéoporose dans des structures

Une étude a proposé une approche hybride combinant des stratégies de FL et osseuses importantes. L'étude a été réalisée sur un ensemble de 370 radiographies

d'évolution pour le diagnostic des maladies parodontales.151Cette approche a utilisé numériques panoramiques dentaires avec une résolution d'image de 1536 2573 . La

comme entrée les symptômes de la maladie recueillis par des observations et des méthode proposée a été validée par rapport aux critères de dentistes experts et sa

entretiens avec des experts. Les symptômes considérés étaient la plaque dentaire, validité a été vérifiée par des études statistiques basées sur l'analyse de la

l’inflammation gingivale, la douleur, le gonflement gingival, le saignement gingival détérioration des structures osseuses avec différents niveaux d'ostéoporose.

facile, l’odeur de l’haleine et les dents mobiles. Les maladies considérées étaient la D'autres articles sur l'utilisation des technologies FL incluent l'identification des

pulpite, la gingivite, la parodontite et la parodontite avancée. La méthode présentée a maladies à l'aide de règles floues,156la prédiction du carcinome épidermoïde oral

été nommée hybride FIS ES (système d'inférence FIS-Fuzzy et stratégies d'évolution grâce à des arbres de décision flous,153la sélection des types de couvre-chefs grâce à

ES), où FL a été utilisé pour calculer la condition physique de l'individu. Cette méthode des règles floues,154et Fuzzy clustering pour les tâches de segmentation sur les

a obtenu une valeur de précision de 82 %, ce qui était supérieur à la méthode images.154 158

Tsukamoto FIS (70 %) seule.

FL a également été utilisé pour étudier les facteurs de risque de candidose

buccale (CO). Une étude a présenté une double approche utilisant le FL et les 5.3 | Dénomination des couleurs pour le traitement automatique des

statistiques traditionnelles sur 89 patients microbiologiquement diagnostiqués avec couleurs dentaires

une infection OC et 98 individus en bonne santé.152Un système d'interférence floue

adaptatif basé sur un réseau (ANFIS) a été utilisé pour évaluer les facteurs La perception des couleurs par le système visuel humain est éminemment floue.194

prédisposants les plus importants et leurs liens avec l'OC. Pour la méthode statistique La couleur en dentisterie est généralement représentée à l'aide de l'espace

traditionnelle, le test du chi carré a été utilisé pour évaluer les différences statistiques colorimétrique CIELAB (CIE1976).195Cependant, l'association d'une couleur spécifique

entre les variables catégorielles. Le niveau d'association, le rapport de cotes brut et (représentée comme un point unique dans cet espace tridimensionnel) à un nom de

l'intervalle de confiance correspondant basé sur un test à 95 % ont été calculés. Des couleur connu tel que perçu par un humain (comme les nuances VITA : A2, A3, etc.) ne

variables sociodémographiques ont également été prises en compte, avec l'âge, le peut pas toujours fournir un nom unique. répondre.196 197La subjectivité de la

sexe et les habitudes tabagiques. perception humaine des couleurs dépend à la fois de l'observateur et du
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
272 CARRILLO-PEREZET AL.

conditions environnementales (par exemple, source lumineuse et géométrie de la source une gencive saine, et comment se compare-t-elle aux seuils visuels
lumineuse). respectifs ?
La correspondance visuelle des couleurs est la méthode d’évaluation des couleurs 4. Les erreurs de couverture mentionnées peuvent-elles être réduites grâce à une

dentaires la plus populaire, et la plupart des matériaux dentaires esthétiques utilisent les modélisation informatique colorimétrique/spectrale (C-means flous -FCM-,

désignations de teintes VITA. Cependant, l'évaluation et la standardisation des couleurs en optimisation) ?

dentisterie sont confrontées à deux problèmes principaux : premièrement, et déjà commenté,

la subjectivité de la perception humaine des couleurs ; et deuxièmement, différents fabricants Apprendre de la nature ce qui doit être imité commence par la création de
présentent des couleurs de matériaux qui diffèrent des teintes VITA originales.198 199 bases de données sur les propriétés optiques fondamentales des dents
humaines (permanentes et primaires) et de la gencive.203-205Les systèmes flous

Des approches initiales pour résoudre ces problèmes au moyen de processus de FL et TSK présentent un grand potentiel pour rapprocher la perception des

dénomination des couleurs dans lesquels une conception d'ensemble floue a été couleurs dans le calcul des seuils de différence de couleur dans le domaine de

réalisée pour identifier l'espace colorimétrique dentaire défini par les nuances VITA la dentisterie. La capacité de ce type d'approximateurs universels pour la

dans l'espace colorimétrique CIELAB ont été rapportées.200En réalisant des régression a fourni un meilleur ajustement que les approximateurs en forme de

expériences psychophysiques, des ensembles de matériaux dentaires de différents S précédemment utilisés pour l'évaluation des formules de différence de

fabricants ont été évalués à l'aide des teintes VITA. Ensuite, les mesures couleur.206et le calcul des seuils visuels pour la couleur des dents.159 160 207

colorimétriques ont été associées aux teintes VITA à l'aide d'ensembles flous avec les Bien qu’il ne soit pas lié au processus d’inférence floue, l’algorithme FCM, une

informations subjectives issues des expériences psychophysiques. Plus tard, technique de regroupement basée sur l’appartenance floue des échantillons

l'applicabilité du système de désignation des couleurs à la dentisterie clinique a été disponibles aux centres de grappes, a récemment été utilisé pour optimiser les

vérifiée en utilisant des mesures colorimétriques d'échantillons de résine composite modèles de guides de teintes gingivales. La modélisation et l'optimisation spectrales,

provenant de deux fabricants différents. réalisées pour la première fois dans cette étude, visaient à fournir des modèles de

Une autre étude visait à décrire l’efficacité d’un traitement de blanchiment teintiers avec une erreur de couverture sur une gencive humaine saine égale ou

à l’aide d’un ensemble de règles floues.28Ces règles utilisaient les teintes VITA inférieure au seuil d'acceptabilité de 50 : 50 % dans deux sens : (a) en assurant une

comme antécédents et conséquences, qui étaient obtenues par des réduction différence de couleur moyenne d'un point quelconque par rapport à sa

associations subjectives des mesures objectives (spectroradiomètre) de la teinte la plus proche dans la base de données de la gencive humaine, c'est-à-dire

couleur des dents avant et après blanchiment avec les teintes guides blanchies l'erreur de couverture la plus faible (la meilleure) de l'espace colorimétrique de la

VITA. Les règles floues fournies avaient la forme suivante : « si la teinte de gencive humaine, et (b) en confirmant une différence réduite la plus considérable de

préblanchiment estOMBRE1alors la teinte post-blanchiment sera OMBRE2, »où tout échantillon de gencive à l'ombre la plus proche.161

OMBRE1etOMBRE2Les ensembles flous de nuances VITA ont-ils été obtenus Les résultats obtenus ont surpassé de manière convaincante les données

comme mentionné. Cette méthodologie a permis de faire face à l'incertitude de correspondantes sur l’erreur de couverture de certains teintiers gingivaux existants et

la subjectivité de la désignation des couleurs avant et après blanchiment, en de matériaux dentaires de couleur gingivale par rapport à la gencive humaine saine.

fournissant différentes nuances post-blanchiment possibles et les valeurs de 208Les modèles de nuanciers gingivaux comportant seulement quatre onglets

confiance respectives, tout en étant capable d'estimer au préalable l'efficacité présentaient une erreur de couverture CIEDE2000 de 2,4 (1,1), ce qui est inférieur au

du traitement. seuil d'acceptabilité pour la couleur gingivale.

(ΔET00),207et il s'agissait d'une réduction de 50 % par rapport à l'erreur de

couverture correspondante de 4,8 (1,1), enregistrée pour les teintiers « roses »
5.4 | Technologies floues dans l'analyse et la modélisation et les matériaux dentaires.208Les études sur la gencive ont fourni une

biomimétiques des couleurs justification supplémentaire à l'approche biomimétique. La modélisation

spectrale utilisant l'algorithme FCM était essentiellement une continuation et
Un domaine important de mise en œuvre des technologies floues est le une amélioration des travaux antérieurs qui utilisaient le regroupement
traitement et l'analyse des couleurs en dentisterie basés sur des principes hiérarchique et l'optimisation contrainte non linéaire pour le développement de
biomimétiques. Le biomimétique ou biomimétisme est défini comme l'examen modèles de guides de teintes pour les dents permanentes et primaires.209 210
de la nature, de ses modèles, systèmes, processus et éléments pour imiter ou Par rapport aux méthodes empiriques traditionnelles de développement de

s'inspirer de la nature pour résoudre les problèmes humains.201 202Lorsqu’il guides de teintes dentaires et de matériaux de restauration correspondants, la mise

s’agit de couleur en dentisterie, il est essentiel d’apporter des réponses aux en œuvre de technologies floues constitue un grand pas en avant. Leur rôle dans

questions suivantes : l’analyse et la modélisation biomimétique des couleurs est important et leur

importance ne fera que croître à l’avenir.

1. De quelle couleur sont les dents/gencives et quelles sont leurs gammes de couleurs, leur répartition

et leurs variations selon l'âge, le sexe et l'origine ethnique ?

2. Comment interprétons-nous la correspondance/inadéquation des couleurs en 6 | INITIATIVES LOGICIELLES DANS LES

dentisterie ? Quels sont les seuils de discrimination visuelle des couleurs, à partir SOINS DENTAIRES
du seuil d'acceptabilité de 50 : 50 % ?

3. Quelle est l'erreur de couverture ΔETCOVdes teintiers existants et des Cette section présente un aperçu rapide de certains des logiciels dentaires les plus

matériaux dentaires correspondants à la couleur des dents humaines/ populaires en dentisterie numérique utilisés par les professionnels dentaires :
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 273

Digital Smile Design (DSD), logiciels 3Shape (3Shape Design Studio et 3Shape applications dentaires. De nombreuses options sont disponibles pour créer un

Implant Studio), Exocad et Bellus 3D. Leur objectif principal était la prévisibilité ensemble de dents à partir de zéro en important une seule dent ou un ensemble

et la planification du traitement grâce à la dentisterie numérique et à la complet de dents à partir de plusieurs bibliothèques dentaires. Il peut également

communication entre les différents professionnels dentaires. Bien que presque fonctionner à partir de fichiers stl 3D générés par un scanner 3D. Comme pour

aucune information ne soit disponible sur les fonctionnalités de ces logiciels, 3Shape, le modèle 3D peut être facilement modifié, permettant des opérations telles

DSD prétend utiliser des algorithmes d’IA. Bien qu'aucune information ne soit que la mise à l'échelle et le déplacement ou la rotation des dents. Il contient

disponible pour les autres logiciels, tous présentent des tâches de également des segmentations semi-automatiques, telles que la détection de la ligne

segmentation ou de génération automatique qui impliquent l'utilisation de de bord des dents en sélectionnant un point dessus, qui peut être reproduite à l'aide

techniques de ML d'une manière ou d'une autre. de CNN 3D sur le modèle importé pour ajouter un retour supplémentaire. Le logiciel

DSD dans sa version 2D utilise des photographies numériques du sourire du permet également de concevoir des implants avec une interface qui guide l'utilisateur

patient, généralement associées à des outils de visualisation tels que Keynote et à travers les nombreuses options avancées présentées au cours du processus.

PowerPoint. Dans la version 3D, des photographies, des scans intra-oraux et des L'intégration Bellus 3D Dental Pro peut réaliser un scan 3D du visage

tomodensitométries peuvent être utilisés pour la planification du traitement. Ce complet. L'objectif principal de ce logiciel est d'intégrer le plan de traitement

logiciel permet la segmentation et la mesure manuelles des dents, ainsi que la dentaire à la configuration du visage, en fournissant une visualisation des

superposition des nouvelles dents souhaitées.211Une partie de ce flux de travail peut résultats finaux en 3D, en raccourcissant le processus d'acceptation du patient

être automatisée au moyen de techniques d’IA, comme on peut l’apprécier dans leur et en facilitant le traitement. Bellus 3D permet une détection automatique des

application iPhone. L'automatisation se concentre principalement sur les éléments de dents du patient et de leur extraction, avec la possibilité de modifier

segmentation et de génération de dents. Ce type de segmentation peut être effectué à manuellement la segmentation. Une segmentation automatique comme celle-ci

l'aide de CNN formés de la même manière que dans d'autres études.85Le flux de peut être réalisée à l'aide de CNN 3D comme présenté dans d'autres études.

travail manuel de DSD consiste à créer des cadres de délimitation autour des dents quinzeUn nouvel ensemble de dents peut être choisi et superposé au modèle au

afin que les annotations manuelles qui surviennent naturellement au cours du bon endroit. Ce scan 3D final aligné peut être importé dans d'autres logiciels

processus puissent être utilisées comme données d'entraînement pour la procédure tels que le logiciel 3Shape ou Exocad.

d'IA. Étant donné que la prédiction est affichée sous forme de polygone, le réseau

peut prédire les sommets dans leur ensemble ou un par un à l'aide des RNN. Une

génération de dents similaire peut être fournie à l'aide de GAN d'une manière similaire 7 | UN COUP D'OEIL VERS L'AVENIR
à la manière dont les artefacts sont corrigés.108En plus des capacités d'automatisation,

l'application dispose de plusieurs paramètres qui peuvent être modifiés par 7.1 | Problèmes technologiques

l'utilisateur pour obtenir le résultat final souhaité, réduisant notamment le temps de

conception, et peut être utilisée pour concevoir une dentition selon les attentes. Ce DL est l’un des groupes de techniques les plus révolutionnaires dans le domaine de l’IA

logiciel a été mentionné à plusieurs reprises dans la littérature, beaucoup affirmant au cours des dernières décennies et apporte des solutions à des problèmes

qu'il présente des avantages par rapport aux méthodes de planification auparavant considérés comme inaccessibles. Comme cela a été présenté tout au long

traditionnelles, mais il n'est souvent pas suffisant pour que le patient observe et de ce travail, les techniques DL ont été appliquées avec succès à la dentisterie,

comprenne les changements proposés.212Il est également utile dans le processus de facilitant des tâches ardues telles que la segmentation dentaire,14

réhabilitation dentaire.213 214 ou aider les cliniciens en identifiant automatiquement la maladie.12Bien que les

3Shape a développé plusieurs logiciels spécialisés qui permettent un flux techniques DL aient montré des résultats exceptionnels dans une variété de

de travail entièrement numérique pour le traitement et la conception des domaines, dépassant même les résultats obtenus par les humains,215-219ils sont

procédures prothétiques (studio de conception 3Shape) et des implants (studio toujours sujets à des erreurs que les humains sont beaucoup moins susceptibles de

d'implants 3Shape), ainsi que pour visualiser le résultat de la conception. De commettre, comme une mauvaise classification d'exemples contradictoires.220 221Cela

plus, il offre suffisamment de polyvalence pour que le clinicien dentaire puisse ne devrait en aucun cas diminuer les grandes réalisations qui ont été réalisées grâce à

apporter des modifications. Ces logiciels fonctionnent avec des images et des ces techniques, mais cela devrait également guider de nouveaux efforts vers la

vidéos numériques obtenues à l'aide d'un scanner numérique intra-oral. Le robustesse et l’interprétabilité. La coopération entre experts humains et modèles

modèle numérique des dents peut être facilement déplacé et sa géométrie peut informatiques répond à ces défis et, avant tout, ils peuvent atteindre de meilleures

être modifiée en ajoutant ou en supprimant une partie. Il est également performances que chacun de leurs côtés.222 223

capable de générer automatiquement un alignement optimal des dents à partir Cela dit, avec l’essor de la collecte de données dentaires, sa combinaison avec le DL

du modèle 3D, qui peut également être ajusté manuellement si nécessaire. Ces améliorerait dans les années à venir les résultats déjà impressionnants obtenus. Comme

types de fonctionnalités peuvent être imités à l'aide de CNN 3D pour obtenir mentionné précédemment, le DL nécessite de grandes quantités de données pour atteindre

une segmentation précise14h15et/ou GAN108 178pour corriger le modèle 3D et ses meilleures performances, et les initiatives visant à collecter davantage de données

générer l'alignement. Outre la visualisation et la modification des dents, le constituent un point de départ crucial pour l'amélioration des modèles actuels. Le stockage

logiciel prend en charge la conception d'implants 3D avec une grande variété des données sur des serveurs locaux ne serait pas évolutif une fois que la taille des données

intégrée de fabricants et d'options. Il s'intègre également à certaines augmenterait, ce qui rend le partage des données une tâche fastidieuse. Une solution à ce

imprimantes dédiées pour obtenir le produit physique souhaité. problème pourrait être apportée par les services cloud, qui ont connu une croissance rapide

Exocad est un logiciel de conception assistée par ordinateur (CAO) qui permet un tant auprès des utilisateurs que des fournisseurs au cours de la dernière décennie. Étant

flux de travail entièrement numérique pour la conception d'implants et autres donné les coûts liés au maintien et à l'amélioration des
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
274 CARRILLO-PEREZET AL.

serveurs et plates-formes informatiques une fois devenus obsolètes, les entreprises protocoles. Trois principaux types de collecte de données utilisant l'IA peuvent être

ont commencé à migrer leurs plates-formes de données vers des services de cloud utilisés pour améliorer les soins aux patients : le pré-rendez-vous (AI Patient Manager,

computing et de stockage. Cette migration vers le cloud ouvre la porte à une gamme AI Patient History Analyser, AI Scientific Data Library), l'inter-rendez-vous (AI Problem

plus large de pipelines d'analyse et d'exploration de données, y compris des Detector, AI Treatment Proposals, AI Instant Feedback), et soins dentaires après

approches DL complexes pour apprendre des tâches spécifiques et très complexes, le rendez-vous (AI Laboratory Work Designer, AI Patient Data Library, AI Clinical

tout également grâce à l'utilisation de services cloud HPC. Evaluation).44Avant le rendez-vous chez le dentiste, les préférences des patients (jour

De plus, grâce à cette collecte de données, différentes sources d'informations et heure du rendez-vous, musique, parfums relaxants, température ambiante) doivent

peuvent être disponibles pour un même patient (ex. : imagerie radiographique, être prises en compte. Les informations sur le patient (signes vitaux, allergies, état de

informations cliniques, informations génomiques). L'intégration de ces sources dans santé, médicaments actuels et interactions médicamenteuses) doivent être

des algorithmes de ML fournirait des prédictions plus robustes et améliorées que soigneusement évaluées avant le rendez-vous. Lors du rendez-vous dentaire, le

l'utilisation de chaque source d'informations séparément, comme le montre d'autres diagnostic et les recommandations de traitement sont générés. Les résultats finaux et

problèmes biomédicaux.224-226Disposer de toutes ces sources d’information et le pronostic du traitement doivent être prédits aussi précisément que possible. Après

perfectionner les techniques évoquées permettrait d’adopter une approche de le rendez-vous chez le dentiste, le flux de travail numérique est généré et les

médecine de précision auprès de chaque patient. Par exemple, grâce aux informations restaurations dentaires sont fabriquées rapidement et avec précision.44Il convient de

génomiques, les patients peuvent bénéficier de diagnostics et d’un suivi améliorés souligner que l’IA facilite mais ne remplace pas le travail des professionnels dentaires.

ainsi que d’un traitement plus personnalisé. Cela réduirait le temps de récupération Un nombre croissant de cabinets dentaires utilisent un flux de travail numérique et l’IA

des patients et améliorerait les résultats du traitement. pour le diagnostic et la planification du traitement. Pourtant, il existe un pourcentage

Toutes ces avancées peuvent également être extrapolées au traitement et à la relativement faible de cabinets dentaires dotés d’un mode opératoire d’IA entièrement

caractérisation des couleurs en dentisterie esthétique. Une caractérisation plus approfondie intégré, également appelés « cliniques dentaires intelligentes ».

de la couleur des dents devrait porter sur la caractérisation de la carte chromatique,

principalement pour la surface vestibulaire des dents, pour différents dégradés et sur Le développement rapide de l’imagerie 3D en dentisterie, comme la

l'association de différentes mesures objectives de couleur à des évaluations subjectives. tomodensitométrie à faisceau conique ou la numérisation intra-orale et faciale, a

Comme c’était le cas pour les problèmes DL, une collecte de données complexe doit d’abord généré le développement de systèmes d’IA basés sur des images 3D. Les

être effectuée. Une fois terminé, une modélisation de cartes colorimétriques à l'aide de améliorations de ces modèles pourraient fournir un diagnostic automatisé et de haute

systèmes intelligents (par exemple, modèles diffus, CNN) doit être réalisée. Ensuite, grâce à un qualité, une planification du traitement et des résultats de traitement prévisibles.41L’IA

processus de désignation des couleurs, il sera possible de caractériser la carte chromatique est une science qui est là pour rester, et l’intérêt mondial de l’industrie dentaire et des

dentaire à l’aide d’images dentaires. Cela permettra le développement de solutions professionnels démontre qu’elle représente le présent et l’avenir de la dentisterie.

méthodologiques pour obtenir efficacement des informations précises sur les restaurations

dentaires, améliorant ainsi la communication entre les dentistes et les techniciens de DIVULGATION
laboratoire dentaire. Une autre application d'un grand intérêt serait l'obtention de la carte Les auteurs déclarent qu'ils n'ont aucun intérêt financier dans les
chromatique et des épaisseurs nécessaires à la restauration d'une résine composite donnée à entreprises dont les documents sont inclus dans cet article.
partir d'une ou plusieurs images. Étant donné que ces deux problèmes nécessitent des

images dentaires, la manière de les obtenir est un facteur crucial. Les smartphones équipés DÉCLARATION DE DISPONIBILITÉ DES DONNÉES

d’appareils photo capables de produire des images de haute qualité étant omniprésents, leur Aucune donnée n'est associée à cet article.

utilisation pour obtenir des images dentaires présente un grand intérêt. Par conséquent,

fournir la couleur des dents et d’autres paramètres à partir d’une photo prise à partir d’un ORCID
smartphone améliorerait considérablement les processus de restauration des dentistes. Francisco Carrillo-Perez https://orcid.org/0000-0003-0974-4092
Oscar E. Pecho https://orcid.org/0000-0001-7314-5049
Rade D.Paravina https://orcid.org/0000-0002-8459-5528
Álvaro Della Bona https://orcid.org/0000-0002-8312-7503
7.2 | Problèmes cliniques Razvan Ghinéa https://orcid.org/0000-0001-8865-2430

La combinaison de modèles pouvant être générés par l’IA a pour objectif d’aider LES RÉFÉRENCES
l’industrie dentaire et les prestataires de soins dentaires. Les applications possibles 1. Sun M, Chai Y, Chai G, Zheng X. Chirurgie entièrement automatique assistée par robot

s'étendent de la recherche et du développement de nouveaux matériaux dentaires pour l'ostéotomie divisée à l'angle mandibulaire.J Chirurgie Cranio-Faciale.2020 ;
31(2):336-339.
basés sur l'approche biomimétique des outils de diagnostic (par exemple, pour
2. Rahimy E, Wilson J, Tsao T, Schwartz S, Hubschman JP. Chirurgie
détecter les caries, les lésions périapicales et les maladies parodontales), à la
intraoculaire robotassistée : développement de l'IRISS et études de
planification du traitement et à la prestation de soins de santé bucco-dentaire, à la faisabilité sur un modèle animal.Œil.2013;27(8):972-978.
surveillance et au suivi post-traitement. -up -oups. En analysant des images 3. Yamada M, Saito Y, Imaoka H, et al. Développement d'un système d'aide au diagnostic
par images endoscopiques en temps réel utilisant la technologie d'apprentissage
(photographies et radiographies), l’IA permet de construire des systèmes de CAO
profond en coloscopie.Représentant scientifique.2019;9(1):1-9.
permettant de détecter certaines maladies.
4. Kalra S, Tizhoosh H, Shah S et al. Consensus sur le diagnostic pan-cancer grâce à
Avec la tendance actuelle et le développement rapide de l’IA, on peut s’attendre la recherche d’images histopathologiques d’archives à l’aide de l’intelligence

prochainement à un impact significatif sur la dentisterie, en particulier sur le numérique. artificielle.NPJ Digital Med.2020;3(1):1-15.
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 275

5. McKinney SM, Sieniek M, Godbole V et al. Évaluation internationale 27. Chamorro-Martínez J, Soto-Hidalgo JM, Martínez-Jiménez PM, et al. Espaces
d'un système d'IA pour le dépistage du cancer du sein.Nature.2020 ; colorimétriques flous : une approche conceptuelle de la vision des couleurs.
577(7788):89-94. Système flou trans IEEE.2016;25(5):1264-1280.
6. Castillo D, Galvez JM, Herrera LJ et al. Évaluation et classification multiclasses de la 28. Herrera LJ, Pulgar R, Santana J et al. Prédiction du changement de couleur après
leucémie à partir de l'intégration des technologies de puces à ADN et de blanchiment dentaire en utilisant la logique floue pour l'identification des nuances vita
séquençage d'ARN au niveau de l'expression des gènes.PlOS One.2019;14(2) : classic.Appl Optique.2010;49(3):422-429.
e0212127. 29. Goodfellow I, Bengio Y, Courville A.L'apprentissage en profondeur.Vol 1. 1ère éd. Presse
7. Cortés-Ciriano I, Lee JJK, Xi R et al. Analyse complète de la chromothripsie du MIT ; 2016.
dans 2 658 cancers humains à l’aide du séquençage du génome entier. 30. Zhang X. Médecine de précision. Médecine personnalisée, omics et
Nat Genet.2020;52(3):331-341. big data : concepts et relations.J Pharmacogénomique
8. Campbell PJ, Getz G, Korbel JO et al. Analyse pan-cancer de génomes Pharmacoprotéomique.2015;06(1):1000e144.
entiers.Nature.2020;578 : 82-93. 31. Machoy ME, Szyszka-Sommerfeld L, Vegh A, Gedrange T, Wozniak K. Les
9. Ostaszewski M, Mazein A, Gillespie ME et al. Carte de la maladie COVID-19, créant manières d'utiliser l'apprentissage automatique en dentisterie.Adv Clin
un référentiel informatique des mécanismes d’interaction virus-hôte du SRAS- Exp Med: Hors Organe Wroclaw Med Univ.2020;29(3):375-384.
CoV-2.Données scientifiques.2020;7(1):1-4. 32. Sun ML, Liu Y, Liu G et al. Application de l'apprentissage automatique à la
10. Gálvez JM, Castillo D, Herrera LJ et al. Vers l’amélioration du diagnostic du cancer de la peau en stomatologie : un examen complet.Accès IEEE.2020 ; 8 : 184360-184374 .
intégrant des ensembles de données de puces à ADN et de séquençage d’ARN.Informations sur

la santé IEEE J Biomed.2020;24(7) : 2119-2130 . 33. Shan T, Tay F, Gu L. Application de l'intelligence artificielle en dentisterie. J
11. Morales JC, Carrillo-Perez F, Castillo-Secilla D et al. Améliorer la Dent Rés.2020;100(3) : 0022034520969115 .
classification du cancer du sein via l'information et l'intégration 34. Khanagar SB, Al-ehaideb A, Maganur PC, et al. Développements,
multimodèle. Article présenté à : Conférence de travail internationale sur applications et performances de l’intelligence artificielle en dentisterie –
la bioinformatique et le génie biomédical. Springer ; 2020. une revue systématique.J Dent Sci.2020;16(1):508-522.
p. 750-760. 35. Hung K, Montalvao C, Tanaka R, Kawai T, Bornstein MM. L'utilisation et les
12. Lee JH, Kim DH, Jeong SN, Choi SH. Détection et diagnostic des caries dentaires à performances des applications d'intelligence artificielle en radiologie
l'aide d'un algorithme de réseau neuronal convolutif basé sur l'apprentissage dentaire et maxillo-faciale : une revue systématique.Radiol dentomaxillo-
profond.J Dent.2018;77 : 106-111. faciale.2020;49(1):20190107.
13. Hung M, Voss MW, Rosales MN et al. Application de l’apprentissage automatique 36. Khanagar SB, Vishwanathaiah S, Naik SA et al. Application et performances
pour la prédiction diagnostique des caries radiculaires.Gérodontologie.2019 ; de la technologie de l'intelligence artificielle en odontologie médico-
36(4):395-404. légale - une revue systématique.Jambe Med.2021;48:101826.
14. Xu X, Liu C, Zheng Y. Segmentation et étiquetage des dents 3D à l'aide de réseaux 37. Khanagar SB, Al-Ehaideb A, Vishwanathaiah S et al. Portée et performances de la
neuronaux convolutifs profonds.Graphique de calcul IEEE Trans Vis. 2018;25(7) : technologie de l'intelligence artificielle dans le diagnostic orthodontique, la
2336-2348 . planification du traitement et la prise de décision clinique - une revue
15. Tian S, Dai N, Zhang B, Yuan F, Yu Q, Cheng X. Classification et segmentation systématique.J Dent Sci.2021;16(1):482-492.
automatiques des dents sur un modèle dentaire 3D à l'aide de réseaux 38. Asiri SN, Tadlock LP, Schneiderman E, Buschang PH. Applications de l'intelligence
d'apprentissage profond hiérarchiques.Accès IEEE.2019;7 : 84817-84828 . artificielle et de l'apprentissage automatique en orthodontie.APOS Tendances
16. Hatvani J, Horváth A, Michetti J et al. Superrésolution basée sur Orthodoxes.2021;10(1):17-24.
l'apprentissage profond appliquée à la tomodensitométrie dentaire.IEEE 39. Prados-Privado M, García Villalo - n J, Martínez-Martínez CH, Ivorra C,
Trans Radiat Plasma Med Sci.2018;3(2):120-128. Prados-Frutos JC. Diagnostic et détection des caries dentaires à l'aide de
17. Schwendicke F, Singh T, Lee JH et al. L'intelligence artificielle dans la recherche réseaux neuronaux : une revue systématique.J Clin Med.2020;9(11):3579.
dentaire : liste de contrôle pour les auteurs, critiques, lecteurs.J Dent. 40. Corbella S, Srinivas S, Cabitza F. Applications de l'apprentissage profond en
2021;107:103610. dentisterie.Oral Surg Oral Med Oral Pathol Oral Radiol.2020;132 :
18. Grischke J, Johannsmeier L, Eich L, Griga L, Haddadin S. Entrynics : vers la 225-238.
robotique et l'intelligence artificielle en dentisterie.Dent Mater. 41. Hung K, Yeung AWK, Tanaka R, Bornstein MM. Applications actuelles,
2020;36(6):765-778. opportunités et limites de l’IA pour l’imagerie 3D dans la recherche et la
19. Friedman J, Hastie T, Tibshirani R. Introduction.Les éléments de l'apprentissage pratique dentaires.Int J Environ Res Santé Publique.2020;17(12): 4424.
statistique.Vol 1. 1ère éd. Série Springer dans Statistics New York ; 2001.
20. Scholkopf B, Smola AJ.Apprendre avec les noyaux : machines à vecteurs de 42. Leite AF, Vasconcelos KF, Willems H et al. Radiomique et apprentissage
support, régularisation, optimisation et au-delà.1ère éd. Presse du MIT ; 2001. automatique en santé bucco-dentaire.PROTÉOMIQUE–Clin Appl.2020;14(3) :
1900040 .
21. Chen WP, Chang SH, Tang CY, Liou ML, Tsai SJJ, Lin YL. Analyse de la 43. Schwendicke F, Golla T, Dreher M, Krois J. Réseaux de neurones convolutifs pour
composition et sélection des caractéristiques du microbiote oral associé à les diagnostics d'images dentaires : une revue de la portée.J Dent.2019 ;
la maladie parodontale.Biomed Res Int.2018;2018 :3130607. 91:103226.
22. Breiman L. Forêts aléatoires.Mach apprendre.2001;45(1):5-32. 44. Chen YW, Stanley K, Att W. Intelligence artificielle en dentisterie :
23. Chen T et Guestrin C. XGBoost : un système de boosting d'arbres évolutif. Article applications actuelles et perspectives d'avenir.Quintessence Int.
présenté lors de : Actes de la 22e Conférence internationale ACM SIGKDD sur la 2020 ; 51(3):248-257.
découverte des connaissances et l'exploration de données. KDD '16. New York, 45. Joda T, Bornstein MM, Jung RE, Ferrari M, Waltimo T, Zitzmann NU.
NY, États-Unis : ACM ; 2016. p. 785-794. Tendances récentes et orientation future de la recherche dentaire à l’ère
24. Cui Q, Chen Q, Liu P, Liu D, Wen Z. Modèle d'aide à la décision clinique pour la numérique.Int J Environ Res Santé Publique.2020;17(6):1987.
thérapie d'extraction dentaire dérivé des dossiers dentaires électroniques. 46. Tandon D, Rajawat J. Présent et avenir de l'intelligence artificielle en
J Prothet Dent Press.2020;126:83-90. dentisterie.J Oral Biol Craniofacial Res.2020;10(4):391-396.
25. Alcalá-Fdez J, Alonso JM. Une enquête sur les logiciels de systèmes flous : 47. Alauddin MS, Baharuddin AS, Mohd Ghazali MI. La transformation moderne et
taxonomie, tendances actuelles de la recherche et perspectives.Système flou numérique des soins de santé bucco-dentaire : une mini-revue.Soins de santé.
trans IEEE.2015;24(1):40-56. 2021;9(2):118.
26. Zimmermann HJ.Théorie des ensembles flous et ses applications.Médias scientifiques et 48. Fa S, Samek W, Krois J. Intelligence artificielle en dentisterie :
commerciaux Springer ; 2011. opportunités et défis.J Dent Rés.2020;99(7):769-774.
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
276 CARRILLO-PEREZET AL.

49. Cantu AG, Gehrung S, Krois J et al. Détection de lésions carieuses de différentes 69. Endres MG, Hillen F, Salloumis M et al. Développement d'un algorithme d'apprentissage
extensions radiographiques sur les morsures grâce au deep learning. profond pour la détection des maladies périapicales dans les radiographies dentaires.
J Dent.2020;100:103425. Diagnostique.2020;10(6):430.
50. Javed S, Zakirulla M, Baig RU, Asif SM, Meer AB. Développement d'un modèle de réseau 70. Ekert T, Krois J, Meinhold L et al. Deep learning pour la détection
neuronal artificiel pour la prédiction de post-streptocoque mutans dans les caries radiographique des lésions apicales.J Endod.2019;45(7):917-922.
dentaires.Programmes de méthodes informatiques Biomed.2020;186:105198. 71. Fukuda M, Inamoto K, Shibata N et al. Évaluation d'un système d'intelligence
51. Schwendicke F, Elhennawy K, Paris S, Friebertshäuser P, Krois J. Apprentissage profond artificielle pour la détection de fractures radiculaires verticales par radiographie
pour la détection des lésions carieuses dans les images de transillumination en panoramique.Radiol oral.2019;36 :1-7.
lumière proche infrarouge : une étude pilote.J Dent.2020;92:103260. 72. Kuwana R, Ariji Y, Fukuda M et al. Performance de la technologie de détection
52. Zanella-Calzada LA, Galván-Tejada CE, Chávez-Lamas NM, et al. Réseaux de d'objets par apprentissage profond dans la détection et le diagnostic des
neurones artificiels profonds pour le diagnostic des caries utilisant les lésions des sinus maxillaires sur les radiographies panoramiques.Radiol
caractéristiques socio-économiques et nutritionnelles comme déterminants : dentomaxillo-faciale.2021;50(1):20200171.
données de la NHANES 2013-2014.Bioingénierie.2018;5(2):47. 73. Chang HJ, Lee SJ, Yong TH et al. Méthode hybride d’apprentissage profond pour diagnostiquer

53. Casalegno F, Newton T, Daher R et al. Détection des caries par transillumination automatiquement la perte osseuse parodontale et le stade de la parodontite.Représentant

proche infrarouge grâce à l’apprentissage profond.J Dent Rés.2019 ; scientifique.2020;10(1):1-8.

98(11):1227-1233. 74. Orhan K, Bayrakdar I, Ezhov M et al. Évaluation de l'intelligence artificielle

54. Jeyaraj PR, Nadar ERS. Classification d'images médicales assistée par ordinateur pour le pour détecter la pathologie périapicale sur les tomodensitométries à
diagnostic précoce du cancer de la bouche à l'aide d'un algorithme d'apprentissage faisceau conique.Int Endod J.2020;53(5):680-689.
profond.J Cancer Res Clin Oncol.2019;145(4):829-837. 75. Liu L, Xu J, Huan Y, Zou Z, Yeh SC, Zheng LR. Une plate-forme intelligente de santé
55. Fu Q, Chen Y, Li Z et al. Un algorithme d'apprentissage profond pour la détection du dentaire-IoT basée sur un matériel intelligent, un apprentissage en profondeur
carcinome épidermoïde de la cavité buccale à partir d'images photographiques : une et un terminal mobile.Informations sur la santé IEEE J Biomed.2019;24(3) :
étude rétrospective.E Clin Med.2020;27:100558. 898-906.
56. Das DK, Bose S, Maiti AK, Mitra B, Mukherjee G, Dutta PK. Identification 76. Kise Y, Ikeda H, Fujii T et al. Etude préliminaire sur l'application du système
automatique des régions cliniquement pertinentes à partir d’images d'apprentissage profond au diagnostic du syndrome de Sjögren sur les images
histologiques des tissus buccaux pour le diagnostic du carcinome épidermoïde CT.Radiol dentomaxillo-faciale.2019;48(6):20190019.
buccal.Cellule tissulaire.2018;53 : 111-119. 77. Joachim K, Ekert T, Léonie M, et al. Apprentissage profond pour la détection radiographique de la

57. Poedjiastoeti W, Suebnukarn S. Application du réseau neuronal convolutif dans le perte osseuse parodontale.Représentant scientifique.2019;9(1):8495.

diagnostic des tumeurs de la mâchoire.Informer sur les soins de santé Res.2018 ; 78. You W, Hao A, Li S, Wang Y, Xia B. Détection de plaque dentaire basée sur l'apprentissage
24(3):236-241. profond sur les dents primaires : une comparaison avec les évaluations cliniques.Santé
58. Yang H, Jo E, Kim HJ et al. Deep learning pour la détection automatisée des kystes bucco-dentaire BMC.2020 ; 20 : 1-7.
et tumeurs de la mâchoire sur les radiographies panoramiques.J Clin Med. 79. Alalharith DM, Alharthi HM, Alghamdi WM et al. Une approche basée sur l'apprentissage
2020;9(6):1839. profond pour la détection des signes précoces de gingivite chez les patients
59. Xu S, Liu C, Zong Y et al. Un diagnostic précoce du cancer de la bouche basé sur orthodontiques à l'aide de réseaux neuronaux convolutionnels plus rapides basés sur
des réseaux neuronaux convolutifs tridimensionnels.Accès IEEE.2019 ; des régions.Int J Environ Res Santé Publique.2020;17(22):8447.
7 : 158603-158611 . 80. Zheng Z, Yan H, Setzer FC, Shi KJ, Mupparapu M, Li J. Apprentissage
60. Alhazmi A, Alhazmi Y, Makrami A et al. Application de l’intelligence artificielle et de profond anatomiquement contraint pour automatiser la segmentation
l’apprentissage automatique pour prédire le risque de cancer de la bouche.J CBCT dentaire et la détection des lésions.IEEE Trans Autom Sci Eng.
Oral Pathol Med.2021;50(5):1-7. 2020;18(2) : 603-614.
61. Martino F, Bloisi DD, Pennisi A et al. Segmentation des lésions par pixels basée 81. Cui Z, Li C, Chen N et al. TSegNet : un réseau de segmentation dentaire
sur l'apprentissage profond sur des images de carcinome épidermoïde oral. efficace et précis sur modèle dentaire 3D.Image Médicale Anale.2021 ;
Appl Sci.2020;10(22):8285. 69:101949.
62. Kim DW, Lee S, Kwon S, Nam W, Cha IH et Kim HJ. Prédiction de la survie basée sur l'apprentissage 82. Chung M, Lee M, Hong J et al. Cadre de segmentation d'instance sensible à la
profond des patients atteints d'un cancer de la bouche.Représentant scientifique.2019;9(1) : pose à partir d'images CT à faisceau conique pour la segmentation dentaire.
1-10. Calcul Biol Med.2020;120:103720.
63. Li W, Chen Y, Sun W et al. Une méthode d'identification de la gingivite basée sur une 83. Duan W, Chen Y, Zhang Q, Lin X, Yang X. Segmentation raffinée des dents et de la
égalisation adaptative d'histogramme limitée par le contraste, une matrice de pulpe à l'aide de U-net dans l'image CBCT.Radiol dentomaxillo-faciale.
cooccurrence de niveaux de gris et une machine d'apprentissage extrême.Int J 2021;49 :20200251.
Imaging Syst Technol.2019;29(1):77-82. 84. Chen Y, Du H, Yun Z et al. Segmentation automatique des dents individuelles dans les
64. Brown M. Identification de la gingivite via une matrice de cooccurrence de niveaux de images CBCT dentaires à partir d'une carte de la surface dentaire par un FCN
gris et une machine d'apprentissage extrême.Adv Soc Sci Educ Rés. Humaine.2018 ; multitâche.Accès IEEE.2020 ; 8 : 97296-97309 .
250 : 486-492. 85. Zhang K, Wu J, Chen H, Lyu P. Une méthode efficace de reconnaissance des dents
65. Lee JH, Kim D, Jeong SN et Choi SH. Diagnostic et prédiction des dents utilisant un arbre d'étiquettes avec une structure de réseau en cascade.Graphique
parodontales compromises à l'aide d'un algorithme de réseau neuronal d'imagerie Comput Med.2018;68 :61-70.
convolutif basé sur l'apprentissage profond.J Implant Parodontal Sci. 86. Leite AF, Van Gerven A, Willems H et al. Nouvel outil basé sur l’intelligence
2018 ; 48(2):114-123. artificielle pour la détection et la segmentation des dents sur les radiographies
66. Kim J, Lee HS, Song IS et al. DeNTNet : réseau de transfert neuronal profond pour la panoramiques.Enquête orale Clin.2021;25(4) : 2257-2267 .
détection de la perte osseuse parodontale à l'aide de radiographies dentaires 87. Parvez MF, Kota M, Syoji K. Technique d'optimisation combinée à une méthode d'apprentissage

panoramiques.Représentant scientifique.2019;9(1):1-9. profond pour la reconnaissance des dents dans les radiographies panoramiques dentaires.

67. Lee KS, Jung SK, Ryu JJ, Shin SW, Choi J. Évaluation de l'apprentissage par transfert Représentant scientifique.2020;10(1):19261.

avec des réseaux neuronaux convolutifs profonds pour le dépistage de 88. Zhao Y, Li P, Gao C et al. TSASNet : segmentation dentaire sur images radiographiques
l'ostéoporose dans les radiographies panoramiques dentaires.J Clin Med.2020 ; panoramiques dentaires par réseau de segmentation de l'attention en deux étapes.
9(2):392. Système basé sur la connaissance.2020;206:106338.
68. Watanabe H, Ariji Y, Fukuda M et al. Détection d'objets d'apprentissage profond de 89. Rao Y, Wang Y, Meng F et al. Un réseau résiduel symétrique entièrement
lésions ressemblant à des kystes maxillaires sur des radiographies panoramiques : convolutif avec DCRF pour une segmentation précise des dents.Accès
étude préliminaire.Radiol oral.2020;37 : 1-7. IEEE.2020 ; 8 : 92028-92038 .
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 277

90. Miki Y, Muramatsu C, Hayashi T et al. Classification des dents en 110. Kim JE, Nam NE, Shim JS, Jung YH, Cho BH, Hwang JJ. Transférez l’apprentissage via des
tomodensitométrie à faisceau conique à l'aide d'un réseau neuronal convolutif réseaux neuronaux profonds pour la classification des systèmes de fixation d’implants
profond.Calcul Biol Med.2017;80 : 24-29. à l’aide de radiographies périapicales.J Clin Med.2020;9(4):1117.
91. Tuzoff DV, Tuzova LN, Bornstein MM, et al. Détection et numérotation des dents 111. Sukegawa S, Yoshii K, Hara T et al. Réseaux de neurones profonds pour la classification
dans les radiographies panoramiques à l'aide de réseaux neuronaux des systèmes d'implants dentaires.Biomolécules.2020;10(7):984.
convolutifs.Radiol dentomaxillo-faciale.2019;48(4):20180051. 112. Takahashi T, Nozaki K, Gonda T, Mameno T, Wada M, Ikebe K. Identification
92. Yasa Y, Çelik Ö, Bayrakdar IS, et al. Une proposition d’intelligence artificielle pour la des implants dentaires par apprentissage profond – étude pilote.Int J
détection et la numérotation automatiques des dents dans les radiographies dentaires Implant Dent.2020;6(1):1-6.
occlusales.Acta Odontol Scand.2020;79 : 1-7. 113. Qian J, Luo W, Cheng M, Tao Y, Lin J, Lin H. CephaNN : un réseau d'attention
93. Chen H, Zhang K, Lyu P et al. Une approche d'apprentissage profond pour la détection et la multi-têtes pour la détection de repères céphalométriques.Accès IEEE.
numérotation automatiques des dents basée sur la détection d'objets dans les films dentaires 2020 ; 8 : 112633-112641 .
périapicaux.Représentant scientifique.2019;9(1):1-11. 114. Dai X, Zhao H, Liu T, Cao D, Xie L. Localisation de repères anatomiques sur des
94. Li Z, Wang SH, Fan RR, Cao G, Zhang YD, Guo T. Classification des catégories de céphalogrammes latéraux 2D via des réseaux de codeurs-décodeurs
dents via un réseau neuronal convolutif profond à sept couches avec mise en contradictoires.Accès IEEE.2019;7 : 132738-132747 .
commun maximale et mise en commun moyenne globale.Int J Imaging Syst 115. Lee JH, Yu HJ, MJ K et al. Détection automatisée de points de repère
Technol.2019;29(4):577-583. céphalométriques avec régions de confiance à l'aide de réseaux neuronaux
95. Kim C, Kim D, Jeong H, Yoon SJ, Youm S. Détection et numérotation automatique convolutifs bayésiens.Santé bucco-dentaire BMC.2020;20(1):1-10.
des dents à l'aide d'une combinaison d'un CNN et d'un algorithme heuristique. 116. Ma Q, Kobayashi E, Fan B et al. Modèle de repérage 3D automatique utilisant des réseaux

Appl Sci.2020;10(16):5624. neuronaux profonds basés sur des patchs pour les images tomodensitométriques de chirurgie

96. Lian C, Wang L, Wu TH et al. Apprentissage approfondi des fonctionnalités de maillage buccale et maxillo-faciale.Int J Med Rob Chirurgie assistée par ordinateur.2020 ; 16(3):e2093.

multi-échelle pour l’étiquetage automatisé des surfaces dentaires brutes à partir de

scanners intra-oraux 3D.Imagerie Trans Med IEEE.2020;39(7) : 2440-2450 . 117. Peng JH, Song XF, Yin L. Prévision des forces de coupe lors de l'ajustement dentaire de
97. Nguyen KCT, Duong DQ, Almeida FT, et al. Segmentation de l'os alvéolaire dans prothèses en céramique à l'aide d'un réseau neuronal artificiel. Dans : recherche
les échographies intra-orales avec apprentissage automatique.J Dent Rés. avancée sur les matériaux.Trans Tech Pub.2011 ; 152 : 1687-1690.
2020;99(9):1054-1061. 118. Li P, Kong D, Tang T et al. Planification de traitement orthodontique basée sur des réseaux de

98. Kwak GH, Kwak EJ, Song JM et coll. Détection automatique du canal mandibulaire à l’aide neurones artificiels.Représentant scientifique.2019;9(1):1-9.

d’un réseau neuronal convolutif profond.Représentant scientifique.2020 ; 10(1):1-8. 119. Jung SK, Kim TW. Nouvelle approche pour le diagnostic des extractions avec
l’apprentissage automatique des réseaux neuronaux.Am J Orthod Orthop
99. Vinayahalingam S, Xi T, Bergé S, Maal T, de Jong G. Détection automatisée des troisièmes Dento-Faciale.2016;149(1):127-133.
molaires et du nerf mandibulaire par apprentissage en profondeur.Représentant 120. Wei J, Peng M, Li Q, Wang Y. Évaluation d'un nouveau système informatique de
scientifique.2019;9(1):1-7. correspondance des couleurs basé sur le modèle amélioré de réseau neuronal
100. Vranckx M, Van Gerven A, Willems H et al. Mesures d'angulation molaire basées de rétro-propagation.J Prosthodonte.2018;27(8):775-783.
sur l'intelligence artificielle (IA) pour prédire l'éruption de la troisième molaire 121. Berdouses ED, Koutsouri GD, Tripoliti EE, Matsopoulos GK, Oulis CJ, Fotiadis
sur des radiographies panoramiques.Int J Environ Res Santé Publique. DI. Une méthodologie automatisée assistée par ordinateur pour la
2020;17(10):3716. détection et la classification des caries occlusales à partir d'images
101. Kong Z, Xiong F, Zhang C et al. Segmentation maxillo-faciale automatisée dans les photographiques couleur.Calcul Biol Med.2015;62 : 119-135.
images radiographiques dentaires panoramiques à l'aide d'un réseau de 122. Patil S, Kulkarni V, Bhise A. Analyse algorithmique pour la détection des caries
codeurs efficace.Accès IEEE.2020 ; 8 : 207822-207833 . dentaires à l'aide d'une architecture de réseau neuronal adaptative.Héliyon.
102. Jeon SJ, Yun JP, Yeom HG et al. Deep-learning pour prédire les canaux en forme de 2019;5(5):e01579.
C dans les deuxièmes molaires mandibulaires sur les radiographies 123. Chen WP, Chang SH, Tang CY, Liou ML, Tsai SJJ, Lin YL. Analyse de la
panoramiques.Radiol dentomaxillo-faciale.2021;49 :20200513. composition et sélection des caractéristiques du microbiote oral associé
103. Hegazy MA, Cho MH, Cho MH et al. Segmentation métallique basée sur U-net sur le à la maladie parodontale.Biomed Res Int.2018 ;2018 : 1-14.
domaine de projection pour la réduction des artefacts métalliques en 124. Farhadian M, Shokouhi P, Torkzaban P. Un système d'aide à la décision basé sur
tomodensitométrie dentaire. Biomed Eng Lett.2019;9(3):375-385. une machine à vecteurs de support pour le diagnostic de la maladie
104. Minnema J, van Eijnatten M, Hendriksen AA et al. Segmentation des parodontale.Notes de résolution BMC.2020;13(1):1-6.
tomodensitogrammes dentaires à faisceau conique affectés par des artefacts 125. Feres M, Louzoun Y, Haber S, Faveri M, Figueiredo LC, Levin L. Soutenir la
métalliques à l'aide d'un réseau neuronal convolutif dense à échelle mixte.Médecine différenciation basée sur une machine vectorielle entre la parodontite
Phys.2019 ; 46(11) : 5027-5035 . agressive et chronique à l'aide de profils microbiens.Int Dent J.
105. Welch ML, McIntosh C, Purdie TG et al. Classification automatique de l'état des artefacts 2018;68(1) : 39-46.
dentaires pour des contrôles efficaces de la véracité des images : effets de la 126. Ozden F, Ozgonenel O, Ozden B et al. Diagnostic des maladies parodontales à
résolution de l'image et de la profondeur du réseau neuronal convolutif.Phys Med l'aide de différents algorithmes de classification : une étude préliminaire.
Biol.2020;65(1):015005. Niger J Clin Pract.2015;18(3):416-421.
106. Hiraiwa T, Ariji Y, Fukuda M et al. Un système d'intelligence artificielle 127. Nagarajan R, Miller CS, Dawson D III et al. Variations spécifiques au patient
d'apprentissage profond pour l'évaluation de la morphologie radiculaire de la des biomarqueurs dans la gingivite et la parodontite.PLoS Un.
première molaire mandibulaire sur radiographie panoramique.Radiol 2015;10(9):e0136792.
dentomaxillo-faciale. 2019;48(3):20180218. 128. Rahman TY, Mahanta LB, Das AK, Sarma JD. Identification automatisée du carcinome
107. Yang L, Shi Z, Wu Y et al. iOrthoPredictor : prédiction approfondie de l'alignement épidermoïde oral à l'aide des caractéristiques de forme, de texture et de couleur de
des dents guidée par un modèle.Graphiques trans ACM.2020;39(6) : 1-15. bandes d'images entières.Cellule tissulaire.2020;63:101322.
129. Rahman TY, Mahanta LB, Choudhury H, Das AK, Sarma JD. Étude des caractéristiques
108. Hu Z, Jiang C, Sun F et al. Correction d'artefacts dans l'imagerie CT dentaire à morphologiques et texturales pour la classification du carcinome épidermoïde oral par
faible dose à l'aide des réseaux contradictoires génératifs de Wasserstein. des techniques traditionnelles d'apprentissage automatique. Représentant du cancer.
Médecine Phys.2019;46(4):1686-1696. 2020;3(6):e1293.
109. Hegazy MA, Cho MH, Lee SY. Débruitage d'images par apprentissage par transfert d'un 130. Sharma N, Om H. Cadre hybride utilisant des techniques d'exploration de données pour
réseau antagoniste génératif pour la tomodensitométrie dentaire.Biomed Phys Eng la détection précoce et la prévention du cancer de la bouche.Int J Adv Intell
Express.2020;6(5):055024. Paradigmes.2017;9(5-6):604-622.
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
278 CARRILLO-PEREZET AL.

131. Zhou J, Wang L, Yuan R et al. Signatures du microbiome muqueux dans le 151. Parewe AMAK, Mahmudy WF, Ramdhani F et al. Détection des maladies
carcinome épidermoïde oral identifiées à l'aide d'un modèle Forest dentaires à l’aide de stratégies hybrides de logique floue et d’évolution.
randomisé.Cancer Gérer Rés.2020 ; 12 : 5353-5363 . J Télécommun Electron Comput Eng.2018;10(1–8):27-33.
132. Hung M, Park J, Hon ES et al. Intelligence artificielle en dentisterie : 152. Campisi G, Panzarella V, Matranga D et al. Facteurs de risque de candidose
exploiter le Big Data pour prédire la survie au cancer de la bouche. buccale : une double approche d'étude par logique floue et statistiques
Monde J Clin Oncol.2020;11(11):918-934. traditionnelles.Arch Oral Biol.2008;53(4):388-397.
133. Karadaghy OA, Shew M, New J, Bur AM. Développement et évaluation d'un 153. Kavitha V, Hanumanthappa M. Prédire le carcinome épidermoïde oral chez les
modèle d'apprentissage automatique pour aider à prédire la survie des consommateurs de tabac en utilisant un algorithme d'arbre de décision flou.Int
patients atteints d'un carcinome épidermoïde oral.JAMA Otolaryngol – J Med Eng Informer.2020;12(5):435-446.
Chirurgie de la tête et du cou.2019;145(12):1115-1120. 154. Akçam MO, Takada K. Modélisation floue pour la sélection des types de couvre-
134. Alkhadar H, Macluskey M, White S, Ellis I, Gardner A. Comparaison des chefs. Eur J Orthodontie.2002;24(1):99-106.
algorithmes d'apprentissage automatique pour la prédiction de la survie 155. Hoang Son L, Tuan TM, Fujita H et al. Diagnostic dentaire à partir d'images
à cinq ans dans le carcinome épidermoïde oral.J Oral Pathol Med. radiographiques : un système expert basé sur le calcul flou.Contrôle du
2020 ;50 : 378-384. processus de signal biomédical.2018;39 :64-73.
135. Tseng YJ, Wang HY, Lin TW, Lu JJ, Hsieh CH, Liao CT. Développement d'un modèle 156. Tuan TM, Duc NT, Van Hai P et al. Diagnostic dentaire à partir d'images radiographiques
d'apprentissage automatique pour la stratification du risque de survie des patients utilisant des systèmes basés sur des règles floues.Int J Fuzzy Syst Appl.2017 ; 6(1):1-16.
atteints d'un cancer buccal avancé.Réseau JAMA ouvert.2020;3(8):e2011768-e2011768.
157. Aliaga I, Vera V, Vera M, García E, Pedrera M, Pajares G. Calcul automatique des
136. Chattopadhyay S, Davis RM, Menezes DD, Singh G, Acharya RU, Tamura T. indices mandibulaires dans les radiographies panoramiques dentaires pour la
Application du classificateur bayésien pour le diagnostic des douleurs détection précoce de l'ostéoporose.Artif Intell Med.2020;103:101816.
dentaires.J Med Syst.2012;36(3):1425-1439. 158. Tuan TM, Ngan TT, Son LH. Une nouvelle méthode de regroupement flou semi-supervisé
137. Nakano Y, Suzuki N, Kuwata F. Prédiction des mauvaises odeurs buccales sur la base du microbiote présent basée sur la satisfaction floue interactive pour la segmentation d'images
dans des échantillons de salive en utilisant une approche d'apprentissage en profondeur. radiographiques dentaires.Application Intel.2016;45(2):402-428.
Santé bucco-dentaire BMC.2018;18(1):1-7. 159. Ghinea R, Pérez MM, Herrera LJ, Rivas MJ, Yebra A, Paravina RD. Seuils de
138. Machado RA, de Oliveira SC, Martelli-Junior H, et al. Apprentissage automatique différence de couleur dans les céramiques dentaires.J Dent.2010;38 : e57-
pour prédire le risque génétique de fentes buccales non syndromiques dans la e64.
population brésilienne.Enquête orale Clin.2021;25(3):1273-1280. 160. Paravina RD, Ghinea R, Herrera LJ et al. Seuils de différence de couleur en
139. Akther S, Saleheen N, Samiei SA, Shetty V, Ertin E, Kumar S. mORAL : un modèle mHealth dentisterie.J Esthet Restaurateur Dent.2015;27 :S1-S9.
pour déduire les comportements d'hygiène bucco-dentaire dans la nature à l'aide de 161. Ghinea R, Herrera LJ, Pérez MM, Ionescu AM, Paravina RD. Teintiers
capteurs inertiels portés au poignet.Proc ACM Interact Mobile, technologie gingivaux : modélisation colorimétrique et spectrale.J Esthet
omniprésente portable.2019;3(1):1-25. Restaurateur Dent.2018;30(2):E31-E38.
140. Abdalla-Aslan R, Yeshua T, Kabla D, Leichter I, Nadler C. Un système d'intelligence 162. Schmidhuber J. Apprentissage profond dans les réseaux de neurones : un aperçu.Réseau
artificielle utilisant l'apprentissage automatique pour la détection et la classification neuronal.2015;61 :85-117.
automatiques des restaurations dentaires en radiographie panoramique. 163. Rumelhart DE, Hinton GE, Williams RJ et al. Apprentissage des représentations par
Oral Surg Oral Med Oral Pathol Oral Radiol.2020;130(5):593-602. rétro-propagation des erreurs.Modèle cognitif.1988;5(3):533-536.
141. Banumathi A, Raju S, Abhaikumar V. Diagnostic des déformations dentaires dans les 164. Hornik K, Stinchcombe M, White H. Les réseaux à réaction
images de céphalométrie à l'aide d'une machine à vecteurs de support.J Med Syst. multicouche sont des approximateurs universels.Réseau neuronal.
2011;35(1):113-119. 1989;2(5): 359-366.
142. Liu CH, Lin CJ, Hu YH, You ZH. Prédire l'échec des implants dentaires à 165. Fukushima K. Neocognitron : un modèle de réseau neuronal auto-organisé pour
l'aide de techniques d'apprentissage supervisé.Appl Sci.2018;8(5):698. un mécanisme de reconnaissance de formes non affecté par le changement de
143. Lin PL, Lai YH, Huang PW. Un système efficace de classification et de numérotation pour position.Biol Cybern.1980;36(4):193-202.
les radiographies dentaires interproximales utilisant les informations sur la région et 166. LeCun Y, Bottou L, Bengio Y et al. Apprentissage par gradient appliqué à la
le contour des dents.Reconnaissance de modèles.2010;43(4):1380-1392. reconnaissance de documents.Procédure IEEE.1998;86(11) : 2278-2324 .
144. Wang L, Li S, Chen R, Liu SY, Chen JC. Un schéma de segmentation et de classification 167. LeCun Y, Bengio Y, Hinton G. Apprentissage profond.Nature.2015 ;
pour une dent unique dans les images MicroCT basé sur un ensemble de niveaux 3D 521(7553):436-444.
et k-means++.Graphique d'imagerie Comput Med.2017;57 : 19-28. 168. Harris CG, Stephens M. Un détecteur combiné de coins et de bords.
145. Papantonopoulos G, Gogos C, Housos E, Bountis T, Loos BG. Prédiction des Article présenté à : Alvey Vision Conference, Citeseer. vol. 15. 1988.
niveaux osseux individuels des implants et existence de « phénotypes » p. 10-5244.
implantaires.Clin Implants buccaux Res.2017;28(7):823-832. 169. Albelwi S, Mahmood A. Un cadre pour concevoir les architectures de
146. Kim M, Kim B, Park B et al. L'invention concerne un dispositif numérique de correspondance de teintes pour la réseaux de neurones convolutifs profonds.Entropie.2017;19(6):242.
détermination de la couleur dentaire à l'aide de l'algorithme de la machine à vecteurs de support. 170. Szegedy C, Vanhoucke V, Ioffe S et al. Repenser l'architecture initiale de la
Capteurs.2018;18(9):3051. vision par ordinateur. Article présenté lors de : Actes de la conférence
147. Hung M, Xu J, Lauren E et al. Développement d'un système de recommandation IEEE sur la vision par ordinateur et la reconnaissance de formes ; 2016. p.
pour les soins dentaires utilisant l'apprentissage automatique.SN Appl Sci. 2818-2826 .
2019 ; 1(7):785. 171. He K, Zhang X, Ren S et al. Apprentissage résiduel profond pour la
148. Hung M, Hon ES, Ruiz-Negron B et al. Explorer l’intersection entre les reconnaissance d'images. Article présenté lors de : Actes de la conférence IEEE
déterminants sociaux de la santé et les besoins non satisfaits en matière de sur la vision par ordinateur et la reconnaissance de formes ; 2016.
soins dentaires à l’aide de l’apprentissage profond.Int J Environ Res Santé p. 770-778.
Publique.2020 ; 17(19):7286. 172. Simonyan K, Zisserman A. Réseaux convolutifs très profonds pour la
149. Thanathornwong B. Système d'aide à la décision bayésien pour évaluer les reconnaissance d'images à grande échelle.arXiv.2014;0:1409-1556.
besoins en traitement orthodontique.Informer sur les soins de santé Res. 173. Lu J, Behbood V, Hao P, Zuo H, Xue S, Zhang G. Apprentissage par transfert utilisant
2018;24(1):22-28. l'intelligence informatique : une enquête.Système basé sur la connaissance.2015 ;
150. Suhail Y, Upadhyay M, Chhibber A, Kshitiz G. Apprentissage automatique pour le 80 : 14-23.
diagnostic des extractions orthodontiques : une analyse informatique utilisant 174. Weiss K, Khoshgoftaar TM, Wang D. Une enquête sur l'apprentissage par
l'apprentissage d'ensemble.Bioingénierie.2020;7(2):55. transfert. J Big Data.2016;3(1):9.
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
CARRILLO-PEREZET AL. 279

175. Yang Q, Zhang Y, Dai W, Pan SJ.Transférer l’apprentissage.1ère éd. La presse de 200. Herrera LJ, Pecho OE, Ghinea R et al. Conception d'ensembles de couleurs floues
l'Universite de Cambridge; 2020. pour les applications dentaires. Article présenté à : 2013 13e Conférence
176. Ronneberger O, Fischer P et Brox T. U-net : Réseaux convolutifs pour la internationale sur la conception et les applications des systèmes intelligents
segmentation d'images biomédicales. Article présenté à : Conférence IEEE ; 2013. p. 277-282.
internationale sur le calcul d’images médicales et l’intervention assistée 201. Fratzl P, Weinkamer R. Les matériaux hiérarchiques de la nature.Prog Mater Sci.
par ordinateur. Springer ; 2015. p. 234-241. 2007;52 : 1263-1334.
177. He K, Gkioxari G, Dollár P et al. Masque r-cnn. Article présenté lors de : 202. Vincent JFV, Bogatyreva OA, Bogatyrev NR, Bowyer A, Pahl AK.
Actes de la conférence internationale de l'IEEE sur la vision par Biomimétique : sa pratique et sa théorie.Interface J Royal Soc.
ordinateur ; 2017. p. 2961-2969 . 2006;3 : 471-482.
178. Goodfellow I, Pouget-Abadie J, Mirza M et al. Réseaux contradictoires 203. Paravina RD, O'Keefe KL, Kulji-c BL. Couleur des dents permanentes : une étude
génératifs. Article présenté à : Advances in Neural Information clinique prospective.Balkan J Stomatol.2006;10 : 1-5.
Processing Systems ; 2014. p. 2672-2680 . 204. Kim J, Paravina RD, Chen JW. Évaluation in vivo de la couleur des dents
179. Cortes C, Vapnik V. Réseaux de supports-vecteurs.Mach apprendre.Année mille neuf cents quatre-vingts- primaires.Pédiatre Dent.2007;29(5):383-386.
quinze; 20(3):273-297. 205. Ho DK, Ghinea R, Herrera LJ, Angelov N, Paravina RD. Gamme de couleurs et répartition
180. Noble WS. Qu'est-ce qu'une machine à vecteurs supports ?Nat Biotechnologie.2006 ; des couleurs d'une gencive humaine saine : une étude clinique prospective.
24(12):1565-1567. Représentant scientifique.2015;5:18498.
181. Lin Y, Lv F, Zhu S et al. Classification d'images à grande échelle : extraction rapide 206. Ghinea R, de la Cruz Cardona J, Ionescu AM et al. Utilisation de la logique floue
de fonctionnalités et formation SVM. Article présenté à : CVPR 2011 IEEE ; 2011. d'approximation Takagi-Sugeno-Kang pour évaluer les performances des
p. 1689-1696. formules de différence de couleur en dentisterie. Article présenté à : 2011 11e
182. Leslie C, Eskin E et Noble WS. Le noyau du spectre : un noyau de chaînes Conférence internationale sur la conception et les applications des systèmes
pour la classification des protéines SVM. Article présenté à : intelligents IEEE ; 2011. p. 247-252.
Biocomputing 2002 World Scientific ; 2001. p. 564-575. 207. Paravina RD, Pérez MM, Ghinea R. Seuils d'acceptabilité et de perceptibilité
183. Mgr CM.Reconnaissance de formes et apprentissage automatique.2e éd. en dentisterie : un examen complet des applications cliniques et de
Springer ; 2006. recherche.J Esthet Restaurateur Dent.2019;31(2):103-112.
184. Kathrin Melcher RSK. D'un arbre de décision unique à une forêt 208. Sarmast ND, Angelov N, Ghinea R, Powers J, Paravina R. Compatibilité des
aléatoire. 2020. https://www.knime.com/blog/from-a-single- couleurs des teintiers gingivaux et des matériaux dentaires de couleur
decisiontree-to-a-random-forest. gingivale avec une gencive humaine saine.Int J Parodontie Restor Dent.
185. Friedman JH. Approximation de fonctions gourmandes : une machine à booster 2018;38(3):397-403.
de gradient.Ann Stat.2001;29 : 1189-1232. 209. Paravina RD, Majkic G, Imai FH, Powers JM. Optimisation de la couleur des dents
186. Zadeh LA. Ensembles flous.Contrôle des informations.1965;8(3):338-353. et de la conception du teintier.J Prosthodonte.2007;16(4):269-276.
187. Mamdani E. Application aux algorithmes flous pour le contrôle d'une installation 210. Paravina RD, Majki-c G, Stalker JR et al. Développement d'un modèle de
dynamique.Procédure IEEE.1974;121(12):1585-1588. teintier pour les dents primaires.Eur Arch Paediatr Dent.2008;9 : 74-78.
188. Sugeno M, Kang G. Identification de la structure du modèle flou.Système
d'ensembles flous.1988;28 :15-33. 211. Coachman C, Calamita M. Conception numérique du sourire : un outil pour la
189. Casillas J, Cordo -nO, Triguero FH, et al. problèmes d'interprétabilité dans planification du traitement et la communication en dentisterie esthétique.
modélisation floue.Études sur le flou et le soft computing.1ère éd. Quintessence Dent Technol.2012;35 : 103-111.
Springer ; 2003. 212. Garcia P, Costa R, Calgaro M et al. Conception de sourire numérique et technique de
190. Herrera LJ, Pomares H, Rojas I, Valenzuela O, Prieto A. TaSe, un modèle de maquette pour la planification de traitements esthétiques avec des facettes stratifiées
système flou basé sur les séries de Taylor qui combine interprétabilité et en porcelaine.J Conservateur Dent.2018;07(21):455-458.
précision.Système d'ensemble flou.2005;153(3):403-427. 213. Frizzera F, Tonetto M, Cabral G, Shibli JA, Marcantonio E. Parodontie,
191. Cordon- n O, Herrera F, Gomide F, et al. Dix ans de système génétique flou implantologie et prosthodontie intégrées : la rééducation axée sur le
Thèmes : cadre actuel et nouvelles tendances. Article présenté lors de : Actes zénith.Représentant de cas Dent.2017;2017(06):1-8.
conjoints du 9e Congrès mondial de l'IFSA et de la 20e Conférence 214. Meereis C, Souza G, Albino L et al. Conception de sourire numérique pour la
internationale NAFIPS (Cat. No. 01TH8569) IEEE. vol. 3. 2001. p. 1241-1246. rééducation esthétique assistée par ordinateur : suivi sur deux ans.Opéra Dent.
192. Cara AB, Herrera LJ, Pomares H, Rojas I. Nouveau contrôleur neuro flou 2016;41(1):E13-E22.
auto-évolutif en ligne basé sur le modèle TaSe-NF.Informer Sci. 215. Xiong W, Droppo J, Huang X et al. Atteindre la parité humaine dans la
2013 ; 220 : 226-243. reconnaissance vocale conversationnelle.arXiv.2016;0 : 1610-5256 .
193. Ruiz-García G, Hagras H, Pomares H et al. Vers un système de logique floue basé 216. Saon G, Kurata G, Sercu T et al. Reconnaissance vocale téléphonique
sur des formes générales d'ensembles flous à intervalles de type 2.Système conversationnelle en anglais par des humains et des machines.arXiv.
flou trans IEEE.2019;27(12) : 2381-2395 . 2017;0:1703-2136.
194. Herrera Maldonado LJ, Carrillo Pérez F, Pérez Go - mez MM, et al. 217. Silver D, Schrittwieser J, Simonyan K et al. Maîtriser le jeu de go sans
Développements futurs utilisant l’intelligence artificielle (IA) en dentisterie. connaissance humaine.Nature.2017;550(7676) : 354-359.
Éditions internationales Springer ; 2020 : 135-142.
195. Della BA.Couleur et apparence en dentisterie.1ère éd. Éditions 218. Ruamviboonsuk P, Krause J, Chotcomwongse P et al. Apprentissage profond versus
internationales Springer ; 2020. évaluateurs humains pour classer la gravité de la rétinopathie diabétique dans un
196. Benavente R, Vanrell M, Baldrich R. Ensembles flous paramétriques pour la dénomination programme de dépistage à l'échelle nationale.NPJ Digital Med.2019;2(1):1-9.
automatique des couleurs.JOSA A.2008;25(10) : 2582-2593 . 219. Vinyals O, Babuschkin I, Czarnecki WM et al. Niveau Grand Maître dans StarCraft
197. Menegaz G, Le Troter A, Sequeira J, et al. Un modèle discret pour la dénomination des II utilisant l'apprentissage par renforcement multi-agents.Nature.2019 ;
couleurs.Processus de signal EURASIP J Adv.2006;2007(1):029125. 575(7782):350-354.
198. Browning WD, Contreras-Bulnes R, Brackett MG, Brackett WW. Différences 220. Szegedy C, Zaremba W, Sutskever I et al. Propriétés intrigantes des
de couleur : composite polymérisé et languette de teinte classique réseaux de neurones.arXiv.2013;0 : 1312-6199 .
Vitapan correspondante.J Dent.2009;37 :e34-e39. 221. Goodfellow IJ, Shlens J, Szegedy C. Expliquer et exploiter des exemples
199. Della Bona A, Pecho OE, Ghinea R, Cardona JC, Pérez MM. Paramètres de contradictoires.arXiv.2014;0 : 1412-6572 .
couleur et correspondance des nuances des systèmes céramiques CAD- 222. Wang D, Khosla A, Gargeya R et al. Apprentissage profond pour identifier le
CAM.J Dent.2015;43(6):726-734. cancer du sein métastatique.arXiv.2016;0 : 1606-5718 .
 17088240, 2022, 1, téléchargé depuis https://onlinelibrary.wiley.com/doi/10.1111/jerd.12844 par Algérie Hinari NPL, Wiley Online Library le [28/04/2024]. Consultez les conditions générales (https://onlinelibrary.wiley.com/terms-and-conditions) sur la bibliothèque en ligne Wiley pour connaître les règles d'utilisation ; Les articles OA sont régis par la licence Creative Commons applicable.
280 CARRILLO-PEREZET AL.

223. Gao X, Jin S, Wen CK, Li GY. ComNet : combinaison d'apprentissage profond et de génomique, épigénomique, transcriptomique et protéomique.Exp. Mol
connaissances expertes en récepteurs OFDM.IEEE Commun Lett.2018 ; 22(12) : Pathol.2020;112:104360.
2627-2630 .
224. Ma T, Zhang A. Intégrez des données multi-omiques avec des réseaux
d'interaction biologique à l'aide d'un auto-encodeur de factorisation multi-vues
(MAE).Génomique BMC.2019;20(11):1-11. Comment citer cet article :Carrillo-Perez F, Pecho OE, Morales JC et al.
225. Cheerla A, Gevaert O. Apprentissage profond avec représentation multimodale Applications de l'intelligence artificielle en dentisterie : une revue
pour la prédiction du pronostic du pancancer.Bioinformatique.2019;35(14) :
complète.J Esthet Restaurateur Dent.2022 ; 34(1):259-280. est ce que
i446-i454.
je:10.1111/jerd.12844
226. Haghjoo N, Moeini A, Masoudi-Nejad A. Présentation d'un panel pour la détection
précoce de l'adénocarcinome du poumon en utilisant l'intégration des données de