Uso de técnicas de aprendizaje automatizado para predicción de morfología mandibular en clase I, II y III esquelética

Las técnicas de aprendizaje automatizado se emplean principalmente para clasificar y predecir datos en diferentes aplicaciones. El objetivo de esta investigación fue predecir a través de estos métodos la morfología mandibular en maloclusiones Clase I, Clase II y Clase III esquelética, empleando medidas craneomaxilares. Se recolectaron 229 radiografías posteroanteriores y de perfil de adultos jóvenes colombianos de ambos sexos. Se emplearon coordenadas de landmarks óseos para formar variables craneomaxilares y mandibulares. Se probó inicialmente la clasificación de maloclusiones esqueléticas por medio de una máquina de vectores de soporte con un kernel lineal, excluyendo las variables mandibulares. En las radiografías posteroanteriores tuvo una precisión del 66%, clasificando en 71.43%, 70% y 60.87% para la Clase I, II y III. Para las radiografías de perfil, la precisión fue de 74.51%, con un 62.50%, 77.78% y 82.35% en la Clase I, II y III, definida por los atributos ENP-A-Pr, Zm-A-Pr, Te-Pr-A, Pr-A-Te, RhiA-Pr, A-Pr-Rhi, A-Te-Pr, A-N-Pr, N-Pr-A, Pr-A-N. En predicción, se usaron variables mandibulares específicas a partir de medidas craneofaciales seleccionadas evaluándose por medio de un coeficiente de correlación a través de una ridge regression; las variables Cdd-God, Cdd-Me, Cdi-Cdd, Cdi-Me y Goi-God tuvieron un r de 0.72, 0.82, 0.77, 0.86 y 0.76 con las redes neuronales en las radiografías posteroanteriores. Y en las radiografías de perfil, las medidas Gn-Id, Cd-Go-Gn, Gn-B, Gn-Pg, Go-Gn, Go-Me, Id-Gn-Go, Pg-B, Cd-Go-Gn, Gn-B, Gn-Pg, Go-Gn, Go-Me, Id-Gn-Go y Pg-B obtuvieron coeficientes de 0.95, 0.99, 0.95, 0.84, 0.91, 0.89, 0.93, 0.84, 0.95, 0.93, 0.98, 0.86, 0.84, 0.88, 0.96, 0.96 y 0.92 respectivamente. Las técnicas de aprendizaje automatizado en especial las redes neuronales, demostraron una precisión relevante que podría tener importancia en la reconstrucción facial para el proceso de individualización.

• Autores: Niño Sandoval, Tania Camila
• Fecha de publicación: 2012
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/11609
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/11609; http://bdigital.unal.edu.co/9055/
• Palabra clave: 37 Educación / Education; 61 Ciencias médicas; Medicina / Medicine and health; 62 Ingeniería y operaciones afines / Engineering; Redes Neuronales Artificiales; Máquinas de Vectores de Soporte; Predicción; Mandíbula; Biometría; Maloclusión Clase I, II, III; Esquelética / Artificial Neural; Networks; Support Vector; Machine; Prediction; Mandible; Biometry; Skeletal Class I, II, III; Malocclusion
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional