Tổng quan về các hướng nghiên cứu và ứng dụng công nghệ trí tuệ nhân tạo trong chuyên ngành chỉnh nha

1.Tổng quan

Trong những năm gần đây, sự đột phá của công nghệ trí tuệ nhân tạo (AI) bao gồm học máy (Machine Learning) và học sâu (Deep Learning) đã thúc đẩy sự thành công rất nhiều lĩnh vực trong cuộc sống trong đó có lĩnh vực chỉnh nha (orthodontic). Công nghệ AI đem đến ảnh hưởng mạnh mẽ trong việc chẩn đoán, lên kế hoạch chỉnh nha, là công cụ hỗ trợ đắc lực cho bác sĩ và bệnh nhân trong quá trình điều trị.

Trong phạm vi của bài viết này, tác giả tổng hợp một số hướng nghiên cứu và ứng dụng nổi bật, đồng thời thảo luận về những xu hướng phát triển của công nghệ học máy và học sâu trong vào lĩnh vực chỉnh nha.

Dữ liệu từ bài viết này sử dụng một số nguồn nghiên cứu, bài nghiên cứu khoa học được công bố từ năm 2000 đến năm 2022 trong lĩnh vực chỉnh nha, được tổng hợp từ nhiều nguồn lưu trữ như PubMed, Google Scholar và Scopus.

2.Các ứng dụng trí tuệ nhân tạo (AI) trong chuyên ngành chỉnh nha

Trong phần này, chúng tôi sẽ phân loại, liệt kê các hướng nghiên cứu đã và đang ứng dụng công nghệ AI vào lĩnh vực chỉnh nha. Dựa trên các bài nghiên cứu tổng hợp công bố gần đây ^12345678, chúng tôi chia các nghiên cứu và ứng dụng công nghệ AI vào chỉnh nha thành 4 mục chính như sau:

• Nghiên cứu và ứng dụng trong chẩn đoán và lên kế hoạch điều trị
• Nghiên cứu và ứng dụng AI trong việc phân tích, đánh giá điều trị trên phim sọ nghiêng
• Nghiên cứu và ứng dụng trong việc đánh giá kết quả điều trị
• Các nghiên cứu và ứng dụng AI với phim chụp cắt lớp CBCT

a. Nghiên cứu và ứng dụng trong chẩn đoán và lên kế hoạch điều trị

Chẩn đoán tình trạng răng là một giai đoạn then chốt để có được một kế hoạch điều trị tối ưu và phù hợp với từng bệnh nhân. Tuy nhiên, hiện nay chưa có một công cụ nào có thể giúp bác sĩ và bệnh nhân có thể ra quyết định hợp lý trong quá trình điều trị.

Hầu hết các bác sĩ đều chẩn đoán và lên kế hoạch điều trị dựa trên kinh nghiệm (empirical) của từng người với từng bệnh nhân khác nhau. Do vậy, câu hỏi “làm sao để chẩn đoán và lên kế hoạch điều trị một cách chính xác và tối ưu” vẫn đang được các nhà nghiên cứu quan tâm.

Ngày nay, với sự phát triển nhanh chóng của ngành công nghệ thông tin và đặc biệt là công nghệ trí tuệ nhân tạo (AI), nhiều nhà nghiên cứu đã bắt đầu ứng dụng công nghệ này vào việc chẩn đoán và lên kế hoạch điều trị chỉnh nha. Có thể kể đến như: chẩn đoán và đưa ra quyết định có nên phẫu thuật, nhổ răng hay không; đánh giá mức độ hẹp của xương hàm (maxillary constriction) và vị trí răng nanh ngầm (impacted canines); đánh giá về hướng điều trị và kết quả sau điều trị, đánh giá chứng loãng xương (osteoporosis) qua phim toàn cảnh (panoramic radiographs), vv.

Danh mục một số hướng nghiên cứu áp dụng AI vào chẩn đoán và lên kế hoạch điều trị được liệt kê ở bảng dưới đây:

Bảng 1: Danh mục một số nghiên cứu và ứng dụng công nghệ AI trong chẩn đoán và lên kế hoạch điều trị

Chủ đề về “liệu có nên nhổ răng hay không” là một trong những chủ đề đã được nghiên cứu từ rất lâu. Có nhiều nhà nghiên cứu đã áp dụng các phương pháp khác nhau dựa tình trạng của răng để đưa ra quyết định, trong đó có việc áp dụng thuật toán mạng thần kinh (neural network). Một số nhà nghiên cứu công bố rằng họ đã đạt được độ chính xác lên đến 96% ²⁰.

Bên cạnh đó, các nghiên cứu liên quan đến việc dự đoán kết quả sau điều trị cũng được nhiều nhà nghiên cứu quan tâm ²¹, thông qua việc xác định các điểm dị thường trong nhóm khớp cắn loại II và III. Các nghiên cứu phân tích trên cho phép các nha sĩ đánh giá một cách trực quan và dự đoán được một số ca tăng trưởng bất thường xảy ra (auxological anomalies) trong suốt quá trình phát triển của sọ và mặt, cũng như xác định các vùng ảnh hưởng khi điều trị.

Sự phát triển mạnh của công nghệ học sâu cũng đem đến nhiều lợi ích cho các nhà nghiên cứu trong việc phân tích và đánh giá chứng rối loạn khớp thái dương hàm (TMJ Osteoarthritis) . Kết quả nghiên cứu cũng cho thấy AI sẽ là công cụ tiềm năng trong tương lai trong việc phát hiện sớm (dựa trên phim CBCT) và đưa ra các liệu pháp điều trị phù hợp cho bệnh nhân bị viêm xương khớp dẫn đến bệnh lý trên.

Hình 1: Hệ thống chẩn đoán chứng rối loạn xương khớp (TMJ) dựa trên khoa học dữ liệu (Data Science) và học máy (Machine Learning). Các thuật toán trong AI cho bài toán phân loại dữ liệu như LightGBM, XGBoost, … được sử dụng để đưa ra kết quả chẩn đoán.

Một trong những ứng dụng quan trọng của AI trong điều trị chỉnh nha đó là so sánh, đánh giá quá trình và kết quả điều trị, sau đó đưa ra quyết định thời điểm dừng điều trị. Mặc dù dữ liệu huấn luyện bị giới hạn (do vấn đề về an toàn thông tin cá nhân và đạo đức) tuy nhiên các thuật toán trong học máy và học sâu vẫn cho ra kết quả rất chính xác, là tiền đề cho sự phát triển các công cụ hỗ trợ tự động cho bác sĩ trong tương lai.

Với sự bùng nổ của công nghệ trí tuệ nhân tạo hiện nay, sẽ còn rất nhiều các nghiên cứu và ứng dụng công nghệ AI vào việc chẩn đoán và lên kế hoạch điều trị trong chỉnh nha càng ngày càng được phát triển và hoàn thiện. Chúng sẽ là những công cụ hỗ trợ các bác sĩ chỉnh nha có được kết quả chẩn đoán chính xác, giúp cho kế hoạch điều trị được tối ưu và hiệu quả.

b. Nghiên cứu và ứng dụng AI trong việc phân tích và đánh giá trên phim sọ nghiêng

Phim sọ nghiêng đóng vai trò cực kỳ quan trọng trong việc phân tích, chẩn đoán và đưa ra kế hoạch điều trị phù hợp cho từng bệnh nhân. Do vậy, có rất nhiều các phương pháp phân tích chuyên sâu về nha khoa đã được nghiên cứu và ứng dụng trên phim sọ nghiêng được đưa ra, trong đó có việc phân tích, tính toán và đánh giá dựa trên các điểm mốc trên phim.

Ngoài ra phim sọ nghiêng còn được sử dụng vào các ứng dụng quan trọng khác như đánh giá độ tuổi của xương (Skeletal age), phân tích đánh giá đường thở (airway evaluation), vv. Sự phát triển mạnh mẽ của các thuật toán AI đang đem lại lợi ích to lớn trong việc tự động phân tích dựa trên loại phim này.

Một số nghiên cứu và ứng dụng của AI trên phim sọ nghiêng sẽ được trình bày ở phần này.

Ứng dụng trong đánh điểm mốc cho các phân tích khác nhau trên phim sọ nghiêng

Các thuật toán dựa trên học máy đã được nghiên cứu và ứng dụng vào phân tích phim sọ nghiêng từ lâu, bao gồm đánh giá và phân tích tính đối xứng của khớp cắn trên và dưới, phát hiện điểm bất thường dựa trên tỉ lệ mặt phẳng hàm, cắn sâu và cắn chìa, vv. Có rất nhiều các phương pháp phân tích phim mặt nghiêng dựa trên các điểm mốc khác nhau như: phân tích Steiner, phân tích Ricketts, phân tích, Bjork, phân tích Nagasaki, phân tích Tweed, Radney, vv. Mỗi phân tích đưa ra các điểm mốc khác nhau và các cách tính toán, phân tích số liệu khác nhau được đưa ra để đánh giá một ca lâm sàng bất kỳ.

Thông thường, các bác sĩ trước khi điều trị một bệnh nhân cần phân tích đánh giá tình trạng của bệnh nhân (khớp cắn, độ lệch khớp cắn, vv.) dựa trên một số phân tích kể trên trên phim sọ nghiêng bằng cách đánh dấu các điểm mốc bằng tay. Công việc này cần nhiều thời gian và đôi lúc có thể sai (do mệt mỏi hoặc do các yếu tố ngoại lai). Do vậy nhu cầu đánh điểm mốc tự động trên phim sọ nghiêng càng trở nên cấp thiết. Nó không chỉ là công cụ hỗ trợ đắc lực cho các nha sĩ mà còn giúp các bác sĩ có số liệu chính xác cho từng phân tích, cải thiện hiệu quả trong việc điều trị.

Rất nhiều các thuật toán đã được đưa ra để tự động đánh điểm mốc này. Một trong số phương pháp đánh giá độ chính xác và sai số của các thuật toán được đưa ra trong cuộc thi IBSI 2015 Challenge – Grand Challenges in Dental X-ray Image Analysis ²². Thông qua cuộc thi này, nhiều phương pháp sử dụng thuật toán mạng tích chập (Convolutional Neural Network) đã được đưa ra và cho kết quả rất cao so với các phương pháp học máy truyền thống. Điều này đã đánh dấu một bước ngoặt lớn cho sự phát triển của các thuật toán đánh điểm mốc trên phim mặt nghiêng.

Hiện nay Viceph là sản phẩm online đầu tiên tại Việt Nam tích hợp công cụ tự động đánh điểm mốc dành cho nhiều phân tích khác nhau trên phim sọ nghiêng. Đây là công cụ do các kỹ sư trí tuệ nhân tạo của công ty MedBrain VN nghiên cứu và phát triển, sau đó triển khai và tích hợp trực tiếp trên phần mềm online Viceph, một phần mềm chuyên nghiệp dành riêng cho các bác sĩ chỉnh nha với nhiều tính năng bao gồm: quản lý bệnh nhân (bảo mật dữ liệu), lập lịch, lên kế hoạch điều trị, phân tích và đánh giá trước, trong và sau quá trình điều trị, mô phỏng kết quả sau điều trị trên ảnh mặt nghiêng, vv.

Ngoài ra còn rất nhiều các công cụ khác cho các loại phim ngoài sọ nghiêng như đánh giá phim sọ thẳng, phân tích đường cong, hiển thị ảnh 3D của hàm, vv.

Hình 2: Giao diện phần mềm Viceph với công cụ tự động đánh điểm mốc trên phim sọ nghiêng

Đánh giá độ tuổi của xương

Việc phân tích và đưa ra kế hoạch điều trị hợp lý (điều trị nong hàm, niềng răng, vv..) cho từng bệnh nhân ngoài việc phân tích trên phim sọ nghiêng còn dựa trên phân tích độ tuổi của xương. Có nhiều cách để đánh giá mức độ tăng trưởng của xương hàm, có thể kể đến như đánh giá bằng các chỉ số sinh lý, như tuổi, sự dậy thì, sự mọc của các răng vĩnh viễn hoặc sử dụng phim X-quang bao gồm xương bàn tay và xương đốt sống cổ (Cervical Vertebral Maturation – CVM).

Ưu điểm của việc sử dụng đốt sống cổ để đánh giá tăng trưởng là các đốt sống cổ đã được bao gồm trong phim sọ nghiêng (đòi hỏi phim sọ mặt nghiêng phải lấy được đốt sống cổ 2, 3, 4), do đó không cần phải chụp thêm một phim phụ, làm giảm liều tia X-quang cần sử dụng. Cụ thể về phân tích tuổi của xương dựa khớp sống cổ đã được chúng tôi giới thiệu trong bài viết trước đây

https://blog.viceph.net/2023/01/09/phuong-phap-phan-tich-tang-truong-su-dung-dot-song-co/

Trong phạm vi của bài viết này, chúng tôi xin phép bỏ qua vấn đề chuyên môn nha khoa mà sẽ tập trung vào tổng hợp một số phương pháp đang sử dụng công nghệ AI vào phân tích này.

Tính tới thời điểm hiện tại, nhiều phương pháp tự động phân loại giai đoạn phát triển của đốt sống cổ đã được đưa ra. Nhiều phương pháp dựa trên các thuật toán học máy và học sâu đã được đưa ra. Ví dụ như Amasya ²³ và Kok ²⁴ cùng đồng nghiệp đưa ra thuật toán phân loại dựa trên các đặc trưng trích xuất từ các điểm mốc trên đốt sống cổ 2, 3, 4). Ngoài ra còn có các phương pháp khác sử dụng mạng tích chập (CNN) để phân loại dựa trên ảnh của từng đốt sống cổ. Các phương pháp này nhìn chung đạt độ chính xác cao, tuy nhiên vẫn chưa hoàn toàn tự động, do vẫn cần phải có bước xử lý bằng tay trong việc trích xuất đặc trưng (đánh dấu điểm mốc, khoanh vùng, cắt ảnh).

Nhóm nghiên cứu và kỹ sư của công ty MedBrain đã nghiên cứu và phát triển thuật toán hoàn toàn tự động đánh giá sự phát triển của xương dựa trên đốt sống cổ trên phim sọ nghiêng. Công cụ dựa trên thuật toán này đã được tích hợp vào phần mềm online Viceph – một công cụ chuyên nghiệp dành riêng cho các bác sĩ chỉnh nha. Thuật toán đã đạt độ chính xác cao cả trên bộ dữ liệu public (92.3%) là IBSI 2015 Challenge – Grand Challenges in Dental X-ray Image Analysis và bộ dữ liệu private (93.5%). Công cụ này đã được tích hợp vào phần mềm và chạy hoàn toàn tự động mỗi khi có ảnh sọ nghiêng của bệnh nhân, giúp cho các bác sĩ không cần mất thời gian vào việc phân loại và tập trung vào đưa ra các phương pháp điều trị hợp lý. Theo dữ liệu chưa được công bố của chúng tôi, với mỗi phim sọ mặt nghiêng cần trung bình 3 phút để đánh giá CVM đối với một người đánh giá thường xuyên, trong khi đó Viceph chỉ cần dưới 5s.

Hình 3: Công cụ tự động phân loại giai đoạn phát triển của xương trên phần mềm Viceph

Tự động phân tích đánh giá đường thở và hội chứng ngưng thở khi ngủ

Ngưng thở khi ngủ (Obstructive Sleep Apnea – OSA) là sự rối loạn trong giấc ngủ, trong đó có hiện tượng ngưng thở hơn 10 giây hay giảm thông khí lặp đi lặp lại nhiều lần trong đêm kèm triệu chứng ngủ ngáy và ngủ ngày quá mức. Ngưng thở khi ngủ có thể gây ra thiếu oxy toàn thân, ảnh hưởng đến các cơ quan như tim, phổi, thận, tuyến tụy, não,… từ đó gây rối loạn chuyển hóa, tăng huyết áp, tăng nguy cơ đột quỵ do nhồi máu não, nhồi máu cơ tim. Chính vì vậy, tình trạng ngưng thở khi ngủ kéo dài có thể ảnh hưởng nghiêm trọng đến sức khỏe và có nguy cơ gây đột tử (trích từ bài viết: http://taimuihongtphcm.vn/sat-thu-trong-giac-ngu-hoi-chung-ngung-tho-khi-ngu-hoi-chung-ngung-tho-khi-ngu-la-gi/ )

Một số nghiên cứu khoa học gần đây đã được công bố sử dụng thuật toán học máy để dự đoán lượng không khí đi qua đường thở, đồng thời phát hiện vùng bị tắc nghẽn đường thở – nguyên nhân chính gây nên hội chứng rối loạn ngưng thở khi ngủ [19]. Thuật toán máy vector hỗ trợ (Support Vector Machine – SVM) được sử dụng trong nghiên cứu này dùng để phân loại mức độ triệu chứng OSA với độ chính xác 80% trên bộ dữ liệu kiểm thử.

Ngoài ra, các nghiên cứu sinh chuyên ngành chỉnh nha và trí tuệ nhân tạo của nhóm nghiên cứu tại công ty MedBrain đang trong quá trình nghiên cứu và phát triển thuật toán tự động phân tích đường thở trên (Upper Airway Evaluation) dựa trên phim sọ nghiêng. Kết quả của hướng nghiên cứu này sẽ được chúng tôi công bố trong báo cáo tới đây của nhóm.

c. Nghiên cứu và ứng dụng trong việc đánh giá kết quả điều trị

Các nghiên cứu theo hướng này tập trung vào việc sử dụng các thuật toán AI để đánh giá độ hiệu quả của quá trình điều trị dựa trên ảnh mặt ngoài ²⁵. Các thuật toán trong các nghiên cứu này đưa ra kết luận rằng hầu hết hình thức bên ngoài của bệnh nhân sau điều trị được cải thiện. Đồng thời, nghiên cứu cũng chỉ ra rằng AI có thể dùng để tính toán “độ hấp dẫn khuôn mặt” (facial attractiveness) và độ tuổi của các bệnh nhân cần chỉnh nha.

Hình 4: Nghiên cứu áp dụng mô hình mạng tích chập (CNN) vào việc đánh giá “đặc điểm khuôn mặt” của bệnh nhân bị hở hàm ếch trước và sau khi điều trị. Mô hình được huấn luyện trên bộ dữ liệu ảnh thu thập của hơn 30 người trước, trong và sau quá trình điều trị. Kết quả của mô hình AI sau đó được so sánh với dữ liệu đánh giá của 15 người không có chuyên môn (laypersons), 14 bác sĩ chỉnh nha và 10 nha sĩ. Nghiên cứu được thực hiện bởi các nhà khoa học thuộc khoa y học – trường đại học Zurich (Thụy Sĩ), và nha khoa – đại học HongKong . (Ảnh đối tượng ở trên chỉ là ảnh minh họa)

d. Các nghiên cứu và ứng dụng AI với phim chụp cắt lớp CBCT

Các ứng dụng của AI trong lĩnh vực chỉnh nha chưa được phân loại vào các nhóm đã liệt kê bên trên sẽ được liệt kê vào nhóm này. Có thể kể đến như tự động phân tách răng mô hình 3D (3D tooth segmentation) trên phim chụp cắt lớp CBCT ^{26 27}. Trong bài toán này, mục tiêu của các thuật toán đưa ra sẽ phải phân tách (segment) từng răng riêng biệt trên toàn bộ hàm (cả trên và dưới) trên phim chụp cắt lớp CBCT, sau đó dựng lên model 3D của toàn bộ hàm. Việc phân tách và dựng 3D sẽ giúp ích cho các bác sĩ trong các phương pháp điều trị như: phát hiện bệnh lý xương hàm, phát hiện gãy xương và răng gãy do chấn thương, lập kế hoạch nong hàm, vv.

Hình 5: Một ví dụ về thuật toán phân tách răng 3D (3D tooth segmentation) trên phim CBCT (ảnh trích từ nghiên cứu [27])

Trên phần mềm Viceph hiện nay cũng đang được tích hợp công cụ hiển thị model 3D lấy từ máy 3D scan. Trong tương lai, nhóm nghiên cứu của công ty MedBrain sẽ tập trung nghiên cứu và phát triển các thuật toán dựa trên công nghệ học sâu để cho phép tự động phân tách răng và hiển thị và lập kế hoạch điều trị ba chiều trên phần mềm online Viceph. Đây là một bước tiến mạnh mẽ, hứa hẹn sẽ mang đến rất nhiều tiện ích cho các bác sĩ, nhà nghiên cứu, giảng viên chuyên ngành chỉnh nha, nâng cao hiệu quả điều trị, nghiên cứu và giảng dạy trong lĩnh vực này.

Hình 6: Giao diện công cụ hiển thị 3D trên phần mềm Viceph

3.Tổng kết

Có thể nói, trong kỷ nguyên trí tuệ nhân tạo hiện nay, rất nhiều nghiên cứu về ứng dụng trí tuệ nhân tạo AI – các thuật toán học máy, học sâu đã, đang và sẽ càng ngày phát triển cho lĩnh vực chỉnh nha. Điều này trực tiếp mang đến rất nhiều tiện ích và tiện lợi, cho các bác sĩ chuyên môn trong quá trình chẩn đoán, phân tích, lập kế hoạch điều trị.

Bài viết này tập trung vào tổng hợp một số hướng nghiên cứu và ứng dụng hiện nay của công nghệ trí tuệ nhân tạo vào lĩnh vực chỉnh nha, giúp bạn đọc có một góc nhìn tổng quát hơn về các hướng nghiên cứu và ứng dụng hiện tại trong chuyên ngành này.

Rất mong nhận được góp ý của quý độc giả về nội dung của bài viết!

4. Tài liệu tham khảo

See author's posts

1. Asiri, Saeed N et al. “Applications of artificial intelligence and machine learning in orthodontics.” APOS Trends Orthod 10.1 (2020): 17-24.
2. Mohammad-Rahimi, Hossein, et al. “Machine learning and orthodontics, current trends and the future opportunities: A scoping review.” American Journal of Orthodontics and Dentofacial Orthopedics 160.2 (2021): 170-192.
3. Monill‐González, Anna, et al. “Artificial intelligence in orthodontics: Where are we now? A scoping review.” Orthodontics & Craniofacial Research 24 (2021): 6-15.
4. Albalawi, Farraj, and Khalid A. Alamoud. “Trends and Application of Artificial Intelligence Technology in Orthodontic Diagnosis and Treatment Planning—A Review.” Applied Sciences 12.22 (2022): 11864.
5. Bichu, Yashodhan M., et al. “Applications of artificial intelligence and machine learning in orthodontics: a scoping review.” Progress in orthodontics 22.1 (2021): 1-11.
   
6. Kök, Hatice, Ayse Merve Acilar, and Mehmet Said İzgi. “Usage and comparison of artificial intelligence algorithms for determination of growth and development by cervical vertebrae stages in orthodontics.” Progress in Orthodontics 20 (2019): 1-10.
7. Fatima, Anum, et al. “Advancements in Dentistry with Artificial Intelligence: Current Clinical Applications and Future Perspectives.” Healthcare. Vol. 10. No. 11. MDPI, 2022.
8. Schwendicke, Falk, et al. “Deep learning for cephalometric landmark detection: systematic review and meta-analysis.” Clinical Oral Investigations 25.7 (2021): 4299-4309.
9. Suhail   Y, Upadhyay M, Chhibber A, Kshitiz. Machine learning for the diagnosis of orthodontic extractions: a computational analysis using ensemble learning. Bioengineering. 2020;7:55.
10. Li P, Kong D, Tang T, Su D, Yang P, Wang H, et al. Orthodontic treatment planning based on artificial neural networks. Sci Rep. 2019;9(1):2037.
11. Jung SK, Kim TW. New approach for the diagnosis of extractions with neural network machine learning. Am J Orthod Dentofacial Orthop. 2016;149(1): 127 – 33.
    
12. Xie X, Wang L, Wang A. Artificial neural network modeling for deciding if extractions are necessary prior to orthodontic treatment. Angle   Orthod. 2010;80(2):262 – 6.
13. Bianchi J, de Oliveira Ruellas AC, Gonçalves JR, Paniagua B, Prieto JC, Styner M, et al. Osteoarthritis of the temporomandibular joint can be diagnosed earlier using biomarkers and machine learning. Sci Rep. 2020;10(1):8012.
14. Ribera NT, de Dumast P, Yatabe M, Ruellas A, Yoshida M, Paniagua B, et al. Shape variation analyzer: a classifier for temporomandibular joints damaged by osteoarthritis. Proc SPIE Int Soc Opt Eng. 2019;10950:1095021.
15. Laurenziello M, Montaruli G, Gallo C, Tepedino M, Guida L, Perillo L, et al. Determinants of maxillary canine impaction: retrospective clinical and radiographic study. J Clin Exp Dent. 2017;9(11):e1304 – 9.
16. Hwang JJ, Lee JH, Han SS, Kim YH, Jeong HG, Choi YJ, et al. Strut analysis for osteoporosis detection model using dental panoramic radiography. Dentomaxillofac Radiol. 2017;46(7):20170006.
17. Wang   X, Cai B, Cao Y, Zhou C, Yang L, Liu R, et al. Objective method for evaluating orthodontic treatment from the lay perspective: an eye-tracking study. Am J Orthod Dentofacial Orthop. 2016;150(4):601 – 10
18. Kim BM, Kang BY, Kim HG, Baek SH. Prognosis prediction for class III malocclusion treatment by feature wrapping method. Angle Orthod. 2009; 79(4):683 – 91.
19. Yeom   SH, Na JS, Jung HD, Cho HJ, Choi YJ, Lee JS. Computational analysis of airflow dynamics for predicting collapsible sites in the upper airways: machine learning approach. J Appl Physiol (1985).     2019;127(4):959 – 73.
20. Choi     HI, Jung SK, Baek SH, Lim WH, Ahn SJ, Yang IH, et al. Artificial intelligent model with neural network machine learning for the      diagnosis of orthognathic surgery. J Craniofac Surg. 2019;30(7):1986 – 9.
21. Auconi P, Scazzocchio M, Cozza P, McNamara JA Jr, Franchi L. Prediction of class III treatment outcomes through orthodontic data mining. Eur J Orthod. 2015;37(3):257 – 67.
22. Wang   CW, Huang CT, Lee JH, Li CH, Chang SW, Siao MJ, et al. A benchmark for comparison of dental radiography analysis algorithms. Med Image Anal 2016;31:63-76.
23. Amasya H, Yildirim D, Aydogan T, Kemaloglu N, Orhan K. Cervical vertebral maturation assessment on lateral cephalometric radio-graphs using artificial intelligence: comparison of machine learning classifier models. Dentomaxillofac Radiol 2020;49: 20190441.
24. Kok H, Acilar AM,  Izgi MS. Usage and comparison of artificial intelligence algorithms for determination of growth and development by cervical vertebrae stages in orthodontics. Prog Orthod 2019;20:41.
25. Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, et al. Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups. Eur J Orthod. 2019;41(4):428 – 33.
26. Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, et al. Facial attractiveness of cleft patients: a direct comparison between artificial-intelligence-based scoring and conventional rater groups. Eur J Orthod. 2019;41(4):428 – 33.
27. Jang, Tae Jun, et al. “A fully automated method for 3D individual tooth identification and segmentation in dental CBCT.” IEEE transactions on pattern analysis and machine intelligence 44.10 (2021): 6562-6568.