Artigos Científicos Recomendados

História e aplicação de redes neurais artificiais em odontologia

RESUMO

A inteligência artificial (IA) é um termo comumente usado na vida cotidiana, e agora existem dois sub conceitos que dividem toda a gama de significados atualmente abrangidos pelo termo. A coexistência dos conceitos de IA forte e fraca pode ser vista como um resultado do reconhecimento dos limites dos conceitos matemáticos e de engenharia que dominaram a definição. Esta apresentação revisou o conceito, a história e a atual aplicação da IA ​​na vida cotidiana. As aplicações da IA ​​estão se tornando uma realidade comum em todas as áreas da vida humana moderna. Esforços para desenvolver robôs controlados por IA foram continuamente realizados para maximizar a conveniência humana. A IA também tem sido aplicada no processo de tomada de decisão médica, e esses sistemas de IA podem ajudar os não especialistas a obter informações em nível de especialista. Redes neurais artificiais são redes altamente interconectadas de processadores de computador inspirados em sistemas nervosos biológicos. Esses sistemas podem ajudar a conectar profissionais de odontologia em todo o mundo. Atualmente, o uso da IA ​​está avançando rapidamente além da prática odontológica baseada em imagem e baseada em texto. Esta apresentação revisou a história das redes neurais artificiais nos campos médico e odontológico, bem como a aplicação atual em odontologia. À medida que o uso de IA em toda a área médica aumenta, o papel da IA ​​na odontologia será grandemente expandido. Atualmente, o uso da IA ​​está avançando rapidamente além da prática odontológica baseada em imagem e baseada em texto. Além do diagnóstico de cárie dentária visualmente confirmada e dentes impactados,

Palavras-chave: Inteligência Artificial, tomada de decisão, odontologia, aprendizado de máquina, redes neurais

INTRODUÇÃO

A inteligência artificial (IA) é um termo comumente usado como resultado da adoção de uma representação excessivamente generalizada. O principal problema são as definições de “inteligência”, que muitas vezes interpretam mal as noções práticas que o termo indica. A palavra “artificial”, do ponto de vista médico e biológico, designa naturalmente uma propriedade não natural. A definição conceitual adequada deste termo não pode ser alcançada simplesmente aplicando uma abordagem matemática, de engenharia ou lógica, mas requer uma abordagem que esteja ligada a uma profunda investigação científica cognitiva. [1] O objetivo desta revisão foi descrever o conceito, a história. e a atual aplicação da IA ​​na vida cotidiana.

DEFINIÇÃO DE INTELIGÊNCIA ARTIFICIAL FORTE

Existem agora dois sub conceitos que dividem toda a gama de significados atualmente englobados pelo termo “IA”. A coexistência dos conceitos de IA forte e fraca pode ser vista como um resultado do reconhecimento dos limites dos conceitos matemáticos e de engenharia que dominaram definições de AI em primeiro lugar. Quando o termo “AI” foi introduzido, significava um sistema que era operado da mesma forma que a inteligência humana por meio de hardware não natural, hardware artificial e construção de software, o que significa AI forte. O conceito de IA forte requer primeiro um ajuste da definição de inteligência. Aqui, inteligência é definida como “a capacidade de um sistema que pode agir apropriadamente em um ambiente incerto”. [2] Do ponto de vista desta definição, a inteligência humana é às vezes imperfeita, mas, em geral, tem a capacidade da inteligência natural de lidar com os ambientes mais difusos e incertos. AI também é conhecida como inteligência geral artificial, em que “geral” indica inteligência com uma capacidade universal de lidar com o ambiente incerto. Para poder funcionar da mesma forma que a inteligência do ser humano e poder substituir o intelecto da pessoa, é necessária uma premissa necessária. A premissa é que a inteligência humana tem uma estrutura que pode ser digitalizado puramente em computação. [3] Se todo pensamento de uma pessoa é implementado de uma maneira condicional e proposicional, que pode ser sintetizado de maneira inequívoca de uma maneira formal e lógica, então, em princípio, um computador tem o potencial de substituir completamente a mente de uma pessoa. Em outras palavras, a máquina de computação pode conscientemente atingir o estágio de reconhecer e “entender” o objeto de maneira autônoma e ativa.

DEFINIÇÃO DE INTELIGÊNCIA ARTIFICIAL FRACA

Por outro lado, a IA fraca é um conceito que pretende construir um sistema cognitivo e de julgamento inerente à computação, recusando a redução irracional e a tentativa de reprodução da inteligência humana, que é esperada e pretendida pela inteligência forte. IA fraca, um sistema em que os seres humanos tirar proveito de alguns mecanismos de médicos e lógicas em que a inteligência trabalha para executar com eficiência atividades intelectuais que um ser humano pode realizar. [3] A definição de um AI fraca é realizada embora reconhecendo que a implementação de a computação é fundamentalmente diferente da inteligência de uma pessoa. É um preceito fundamental daqueles que lideram o desenvolvimento da IA ​​fraca que não é necessário implementar inteligência humana abrangente para obter um sistema funcional desejado.

Inicialmente, as tentativas de implementar a IA começaram com base no conceito de IA forte. Isto é derivado do projeto conceitual da máquina de Turing universal proposta pelo matemático inglês Alan Turing em 1936. [4] Uma máquina de Turing universal é uma máquina virtual que pode resolver todos os problemas que podem ser resolvidos matematicamente. Se todos os processos de solução de problemas puderem ser simplificados para uma forma que possa ser incluída em fórmulas matemáticas, até mesmo uma máquina computacional capaz de executar formas relativamente simples de computação poderia resolver todos os problemas com comandos comportamentais apropriados. O que é necessário é uma quantidade infinita de armazenamento que possa ser analisada e preenchida com uma variedade de comandos comportamentais simplificados, mesmo para problemas extremamente complexos. [5]

No entanto, a visão de Turing das máquinas de Turing universais tem uma limitação fundamental cognitivo-científica. Isso é por causa da verdade existencial mais simples: a cognição humana não é puramente matemática. Na realidade, a maioria dos pensamentos e ações humanas são realizadas de forma arbitrária e improvisação, independentemente de cálculos matemáticos. [6] O problema de armazenamento com capacidade infinita é também um fator limitante na implementação de IA forte. Essa condição está sendo satisfeita atualmente pela computação paralela ou computação em nuvem, que gerencia grandes volumes de dados, mas isso não significa que as limitações fundamentais do conceito de IA forte foram suficientemente superadas. O conceito de IA fraca aceita a impossibilidade fundamental de tentar imitar e reproduzir completamente a inteligência humana através da máquina de Turing universal e sugere que as limitações do problema devem ser resolvidas apenas pela redução matemática. A AI fraca tenta implementar um sistema que desenvolve a capacidade de resolver problemas por si mesmo através da aprendizagem usando alguns dos mecanismos de sentido e pensamento das pessoas. [7]

APRENDIZAGEM DE MÁQUINAS

O conceito básico de aprendizado de máquina também é baseado na definição de inteligência adotada como um modelo agente-ambiente com o propósito de implementar IA forte. É importante notar que, na conceituação de redes neurais artificiais e aprendizado de máquina, elas são planejadas com base no conceito de transcendentalidade kantiana. De acordo com Kant, intelecto humano tem a capacidade de sintetizar dados sensoriais obtidos com determinadas a priori categorias. [8] Isto pode-se dizer que correspondem à capacidade de processar dados obtidos por meio de uma ferramenta de sensor de reconhecimento ou de entrada específica de acordo com um predeterminado problema- algoritmo de resolução e aprendizado em preparação para uma rede neural artificial.

Os estudiosos que estabeleceu e desenvolveu o conceito de uma rede e de aprendizagem de máquina neural artificial ganhou lições do caso de desenvolvimento de tecnologia de aviação no início dos anos 20º século. Embora a tecnologia aeronáutica já haviam sido adquiridos para a humanidade há milhares de anos, a sua realização real não foi realizado até o início do 20º século. As realizações aeronáuticas da humanidade são obtidas da aparente transformação do pensamento. Como pode ser visto na narrativa de Ícaro da mitologia grega antiga, a exploração da humanidade pela tecnologia de aviação começou imitando a estrutura do corpo da ave e os padrões de voo.

No entanto, este tipo de tentativa nunca foi bem sucedido na história, e a realização da tecnologia aeronáutica real foi realizada através de uma combinação de motores de aerodinâmica e de combustão interna, o que é totalmente diferente do método de voo das aves.

Assim como a tecnologia aeronáutica não precisa imitar a própria ave para atingir funcionalmente seu propósito, a ideia básica para a IA fraca é que não é necessário fazer máquinas que entendam e pensem como seres humanos para obter o desempenho necessário. [9] Pesquisadores de IA acreditam que a IA não precisa estar preparada para todos os ambientes existenciais indefinidos, como um ser humano. Eles se dedicam a construir agentes práticos que sejam adequados às condições ambientais que podem lidar com a computação, e essa é a principal tendência em pesquisa e desenvolvimento de IA hoje. É claro que pesquisadores e desenvolvedores não abandonaram completamente a implementação da IA ​​fraca.

HISTÓRIA DA INTELIGÊNCIA ARTIFICIAL

Existem vários afluentes internos na história da formulação, pesquisa e desenvolvimento da IA. Aqui, nossas principais preocupações são dois afluentes históricos entre eles, a história da IA ​​forte e da IA ​​fraca. Embora os dois afluentes históricos estejam de fato inseparavelmente associados, acredita-se que uma revisão histórica centrada na distinção entre eles será benéfica para refletir sobre a história geral da IA ​​de maneira mais sistemática. Alguns estudiosos apontam para Aristóteles, que apresentou o conceito de IA pela primeira vez na história. Ele não sugeriu uma visão direta do surgimento de máquinas que poderiam substituir o pensamento humano. No entanto, sua tentativa de identificar o método de pensamento do homem como uma forma de lógica centrada no silogismo se tornou uma fonte de crença de que a computação pode substituir completamente os mecanismos de pensamento humano. [10]

Com base nessa idéia de Aristóteles, Ramon Llull, a 14ª – century poeta catalão e grande teólogo missionária, publicou um livro chamado Ars generalis ultima (The Art final geral) em 1308. Neste livro, o autor concebeu um meio mecânico de recriar a mente do homem através de uma combinação lógica de conceitos baseados na lógica de Aristóteles. [11] Em 1666, o matemático e filósofo alemão Gottfried Leibniz publicou um livro intitulado Dissertatio de arte combinatoria (Sobre a Arte Combinatória). Aqui, o autor mencionou que todo pensamento do homem é implementado com uma combinação relativamente simples de conceitos simples [12]. Em 1854, George Boole afirmou que o raciocínio lógico é realizado da mesma forma que uma solução de equações com um conjunto de sistemas, assegurando a confiança na possibilidade de substituição completa do pensamento lógico e da computação.

MÁQUINA DE TURING AO LONGO DOS ANOS

Esta convicção é herdada por Alan Turing, que estabeleceu a noção de computador universal e AI hoje em dia [13]. Este projeto universal de máquina de Turing é considerado o começo do conceito moderno de IA. Turing introduziu o conceito do jogo de imitação, ou Teste de Turing, em 1950. [14] Se uma pessoa não sabe que o seu contato é IA e não sabe se está conversando com outra pessoa ou com a IA durante a condução de uma conversa, a IA alcançou o nível de inteligência de uma pessoa. Isto é o que o jogo de imitação significa. Em agosto de 1955, o termo “IA” foi adotado e usado principalmente pelo pessoal que desempenhou um papel importante nos estudos sobre IA contemporânea nos Estados Unidos. John McCarthy, da Universidade de Dartmouth, Marvin Minsky, da Universidade de Harvard, Nathaniel Rochester, da IBM, e Claude Shannon, do Bell Telephony Institute, introduziram esse termo por meio de workshops. As oficinas realizadas em Julho e Agosto de 1956, que organizou o ano seguinte, são reconhecidos como eventos nos quais o projeto conceitual da AI foi desenvolvido em um campo acadêmico a sério. [15] Neste momento, a maioria dos estudiosos pensava que a IA era uma IA forte. No entanto, alguns dos pioneiros da IA ​​tornaram-se conscientes dos pontos fracos nos ideais em relação ao que as máquinas universais de Turing estavam procurando, e houve aqueles que desde os primeiros dias realizaram pesquisas voltadas para a implementação da IA ​​fraca.

REDES NEURAIS

Em 1943, Warren McCulloch e Walter Pitts publicaram um artigo sugerindo redes neurais como uma maneira de imitar cérebros humanos. [16] Em 1951, Minsky e Dean Edmunds desenvolveram a calculadora estocástica de reforço analógico neural, que é reconhecida como a primeira rede neural da história. [17] Em 1955, Allen Newell e Herbert Simon desenvolveram programas de IA pela primeira vez na história. [18] O programa chamado The Logic Theorist provou 38 dos primeiros 52 axiomas do Principia Mathematica, um trabalho co-escrito por Whitehead e Russell. [11]

Enquanto as perspectivas para a implementação da IA ​​forte não eram claras, a evolução da IA ​​fraca através da construção da rede neural artificial continuou. Em 1959, Arthur Samuel acelerou o desenvolvimento da IA ​​fraca introduzindo o termo “aprendizado de máquina”. [19]

Em 1965, uma pesquisa significativa foi realizada em sucessão para apontar os problemas fundamentais da IA ​​forte. Hubert Dreyfus enfatizou em seu livro que há uma área na mente de uma pessoa que trabalha em uma maneira que os computadores não conseguem alcançar. [20] Joseph Weizenbaum desenvolveu um programa de AI chamado ELIZA, revelando a ilusão de jogo da imitação de Turing. [21] ELIZA era um programa de inteligência artificial que permitia que as pessoas se comunicassem com máquinas em inglês. Através de experimentos do trabalho do programa, foi mostrado que a máquina poderia ser usada para se comunicar com as pessoas em um nível superficial sem qualquer autoconsciência especial ou profundo entendimento da pessoa em comunicação. Foi sugerido que a razão pela qual um jogo de imitação pode ser estabelecida não é porque toda a mente humana é realizada da mesma forma como a computação, mas porque as mentes dos participantes no jogo foram emocionalmente assimilada com a máquina no diálogo. [22]

APRENDIZAGEM PROFUNDA E CIÊNCIA COGNITIVA

Desde então, o domínio da pesquisa e desenvolvimento tem sido focado na implementação de IA fraca, e essa tendência foi acelerada por Arthur Bryson e Yu-Chi Ho. [23] Ao desenvolver o algoritmo de retro propagação em 1969, eles deram uma contribuição decisiva para o implementação da aprendizagem profunda de hoje. Esse algoritmo de retro propagação utiliza uma abordagem derivativa parcial para refinar o resultado da execução da IA, que é implementado de uma maneira proposicional e simbólica e é projetado para melhorar o algoritmo de auto execução da IA ​​[24], estágio que foi usado para a implementação do teste de Turing e verificação matemática e lógica para o nível superior de uso na vida real.

Em 1972, surgiu um sistema especializado inicial, que é um sistema que permite aos não especialistas usar o conhecimento organizando e processando conhecimento especializado em um campo específico. [25] O sistema especialista MYCIN, desenvolvido em 1972, foi desenvolvido na Universidade de Stanford e destina-se identificar bactérias que causam infecções graves e apresentar antibióticos adequados para elas. [26] O fato de a aplicação do sistema especialista inicial ter sido focada na área médica reflete a alta utilização da IA ​​no campo da medicina.

Embora as perspectivas de implementação de IA forte não tenham desaparecido completamente, a pesquisa da IA ​​está agora ganhando um nível significativo de desempenho com apenas IA fraca, e a perspectiva dominante é que essa situação continuará no futuro previsível.

No entanto, a pesquisa de IA destinada a imitar humanos contribuiu muito para promover o pioneirismo de novas disciplinas da ciência cognitiva. A ciência cognitiva estuda como a mente das pessoas funciona, com base na epistemologia e reflexão filosófica existente da psicologia, e através das várias linguagens e conceitos computacionais introduzidos pela pesquisa da IA. ​​[27] Embora a IA e a ciência cognitiva mostrem uma diferença clara em termos de interesses acadêmicos, sempre que uma consciência pública robusta da IA ​​forte é levantada, a ciência cognitiva, que tenta explicar a mente humana como uma linguagem e conceito de computação, naturalmente ganha a atenção do público.

INTELIGÊNCIA ARTIFICIAL NA VIDA DIÁRIA

A aplicação da IA ​​está se tornando uma realidade comum em todas as áreas da vida humana moderna. Vinte anos atrás, quando entramos na 21st século, AI foi limitado a um certo grau. O desenvolvimento da pesquisa da IA ​​nas últimas duas décadas tem sido notável, e é difícil encontrar um lugar onde a IA não seja utilizada em atividades comuns ou profissionais que envolvam dispositivos digitais ou móveis. A execução da máquina é absolutamente essencial para que isso seja possível. Portanto, considerando a tendência geral da IA, seria útil entender o uso da IA ​​na vida diária.

A área dominante de atividade da IA, hoje em dia, é um campo que requer a solução do problema da satisfabilidade. A possibilidade de satisfação é simplesmente uma questão de encontrar o valor de uma variável que faz com que uma determinada expressão lógica seja verdadeira. Aqui, a dependência da IA ​​é especialmente alta em áreas que precisam superar os problemas causados ​​pela complexidade da expressão lógica e resolver a extrema incerteza das variáveis, especialmente na simulação que requer alta precisão.

Devido ao método aprimorado de lidar com grandes quantidades de dados para encontrar os parâmetros que correspondem às equações lógicas, esse campo se tornou mais popular nos últimos anos. Avanços em hardware e algoritmo aceleraram enormemente o uso generalizado de IA em todos os tipos de atividades de simulação. Exemplos representativos incluem atividades de previsão (previsões e simulações de clima, ambiente natural, efeitos químicos específicos, variáveis ​​de gerenciamento, riscos de instituições financeiras, etc.), projeto e gerenciamento de projetos (projetos arquitetônicos e de engenharia civil, projeto de sistemas de programação, recursos humanos e gestão de clientes, etc.) e a síntese de informações (construção e processamento de bases de dados e síntese de dados específicos). [28]

A maior parte da IA ​​atual é projetada como um agente que aumenta a capacidade de processamento do controle de variáveis ​​ambientais. Exemplos típicos dessas características são aplicações de IA para atividades de reconhecimento e identificação (reconhecimento de imagem, voz e corpo) e atividades que substituem a vida cotidiana humana (tradução, navegação autônoma, etc.). [29]  Atualmente, a World Wide Web (Web), juntamente com o aprendizado de máquina, contribuiu significativamente para o rápido aumento na utilização de IA. A aplicação da IA ​​não é necessária apenas em termos da eficiência quantitativa do processamento de dados no uso diário da Web, mas também em termos de sua eficiência qualitativa. Especificamente, vários programas de inteligência artificial são ativamente desenvolvidos e utilizados para fornecer serviços de rede personalizados (apresentando e otimizando formulários comportamentais on-line, como pesquisa, compras e gerenciamento de rede).

Outra característica que é notável em aplicações recentes de IA é a combinação da IA ​​com a engenharia robótica. Destina-se a implementar fisicamente a IA e, finalmente, visa realizar todas as atividades profissionais que podem ser realizadas por humanos através da IA. Esforços para desenvolver robôs controlados por IA foram continuamente realizados para maximizar a conveniência e segurança humana, e a eficiência de atividades como fábricas inteligentes, agricultura não tripulada e robôs de defesa não tripulados. [30] Em particular, vários tipos de robôs de diagnóstico já apareceu no campo da medicina. Atualmente, o desenvolvimento da operação cirúrgica semiautomática de robôs AI, que auxiliam os médicos em vários aspectos, tornou-se mais evidente. [31]

O USO DA INTELIGÊNCIA ARTIFICIAL NO CAMPO MÉDICO

AI tem sido aplicada no processo de tomada de decisão médica, e estes sistemas podem ajudar não especialistas para obter informações a nível de peritos. [32] As redes neurais artificiais são redes de processadores de computador inspirados por sistemas nervosos biológicos altamente interligados. [33] Estes sistemas podem ajudar a conectar profissionais de odontologia em todo o mundo. [34] Esta apresentação revisou a história das redes neurais artificiais nos campos médico e odontológico, bem como a aplicação atual em odontologia.

As perspectivas da IA ​​no campo da medicina são infinitas, mas a realização desta perspectiva ainda não ocorreu. [35] Isso ocorre porque o campo da AI em si tem uma história relativamente curta em comparação com outras disciplinas. [36] AI foi tentada na primeira metade da década de 1960. O desempenho acadêmico nesse campo cresceu a um ritmo incomparavelmente mais rápido do que outras disciplinas, mas ainda está engatinhando. Atualmente, uma das áreas em que AI é o mais potente é em sistemas de peritos. [37] Os sistemas especialistas que são principalmente destinados a organizar e classificar o conhecimento que os especialistas em um determinado campo são capazes de usar são altamente sofisticados, pois possuem dados altamente refinados. Como a IA lida principalmente com conhecimentos que foram sistematizados através da pesquisa, a pesquisa da IA ​​começou a dar frutos.

Nesse contexto, a medicina, teoricamente ou praticamente, pode ser considerada como tendo condições ótimas em que sistemas especialistas baseados em IA podem estar envolvidos. A afinidade entre AI e da área médica foi estabelecido no início de 1970 com o lançamento do Medical Experimental do Sistema de Computador da Universidade de Stanford para AI no projeto de Medicina, bem como a MYCIN sistemas especialistas inicial, INTERNIST, CASNET, e assim por diante.[38] Desde o início da “democratização” da Internet em 1991, infraestruturas globais de rede biomédica foram formadas além do nível nacional, e houve um avanço no desenvolvimento da IA ​​no setor médico. [39]

Até agora, as áreas mais ativas da IA ​​médica são o diagnóstico e a previsão de prognósticos. [40] A AI do setor médico está contribuindo significativamente para ajudar a tomar decisões relacionadas à prática médica, ao mesmo tempo em que apresenta considerável nível de potencial para diagnóstico e previsão corretos.

A mineração de dados e o aprendizado de máquina, que processam dados médicos cumulativos por meio de retro propagação e métodos de inferência bayesiana, são usados ​​para IA. [41] O surgimento de um sistema especialista em infraestrutura é a maior parte da contribuição da IA ​​para o setor médico até o momento. [42]

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NO CAMPO DENTAL

No campo dental, embora esteja claro que ainda é um passo básico, a tecnologia de aplicação de IA está progredindo notavelmente. [43] Os sistemas de apoio à decisão clínica são um dos exemplos. Estes são programas de computador projetados para fornecer suporte especializado para profissionais de saúde. [43]

Em um estudo anterior, a análise da rede neural artificial foi aplicada para construir um modelo de predição de dor de dentes e explorar a relação entre dor dentária e frequência diária de escovação, tempo de escovação (antes das refeições ou após as refeições e assim por diante), experiência de instrução de escovação dentária fio dental, ciclo de substituição de escova de dente, recebendo ou não escamação e outros fatores, incluindo nutrição e exercício. [44] Como resultado, um modelo preditivo de desenvolvimento de dor de dente com uma adequação de cerca de 80% foi derivado. Esse modelo identifica hábitos alimentares adequados, educação relacionada à higiene bucal e prevenção do estresse como os fatores mais importantes na prevenção da dor de dente.

Análise de rede bayesiana dos fatores que influenciam a abordagem clínica dos caninos superiores impactados foi realizada. [45] Este estudo incluiu 168 pacientes com caninos superiores submetidos a um procedimento cirúrgico e ortodôntico combinados. Os dados foram coletados comparando o pré-tratamento e o pós-tratamento. Variáveis ​​quantitativas relacionadas ao paciente, variáveis ​​métricas e variáveis ​​nominais foram coletadas, e as relações causais entre as variáveis ​​foram encontradas através da análise de rede bayesiana. Considerando que a IA baseada em redes bayesianas originalmente empregada neste estudo não possuía algoritmos associados à técnica anterior, este estudo sugere que a IA poderia ser usada para auxiliar os profissionais da área odontológica na tomada de decisões e sugere que a possibilidade de substituição é consideravelmente alta.

A necessidade de extração antes do tratamento ortodôntico foi modelada usando uma rede neural artificial. [46] Este estudo especificamente selecionou uma maneira de aumentar significativamente a precisão do modelo de tomada de decisão através do pré-treinamento. O pré-treinamento é um método de processamento variável que se concentra na descoberta de que as variáveis ​​de entrada e saída no aprendizado de máquina com base na rede neural artificial são convertidas em valores entre 0 e 1, respectivamente. Os resultados mostraram que uma rede neural artificial sem pré-treinamento foi eficaz com 80% de precisão e alcançou 100% de precisão com o pré-treinamento. Ficou provado que a aprendizagem de máquina baseada em dados derivados das decisões dos profissionais da odontologia alcançou um desempenho significativo.

Mineração de dados com base em uma grande quantidade de dados restaurativos foi realizada para revelar se as diferenças materiais nas restaurações servem como determinantes da vida útil da restauração. [47] Embora o aprendizado de máquina se concentre em ajudar a fazer previsões baseadas no aprendizado analítico de dados existentes, A mineração de dados concentra-se em encontrar relações causais e comparações inerentes aos dados existentes. [48] O tempo médio e médio de sobrevivência (MST) das restaurações de amálgama para a superfície oclusal foi de 16,8 anos no grupo de 1960, 13,6 anos no grupo de 1970 e 7,9 anos no grupo de 1980. O MST da restauração de ionômero de vidro e resina composta na superfície oclusal foi de 4,9 anos no grupo de 1970 e 7,3 anos no grupo de 1980. [47]  Todas essas observações foram derivadas por mineração de dados, e o papel dos pesquisadores nesse processo foi coletar e organizar dados existentes e aplicá-los a algoritmos de redes neurais artificiais. O estudo sugere claramente que informações não documentadas em grandes quantidades por longos anos podem ser extraídas e analisadas através da mineração de dados.

Mineração de dados de registros dentários digitais fornece possibilidades para analisar a variação entre dentistas ao diagnosticar a cárie. [49] Os autores analisaram uma grande quantidade de dados de pacientes eletrônicos para comparar a diferença na detecção de cárie dentária em inicial e reexames dos mesmos participantes. Como condição para a entrada de variáveis, todos os pacientes diagnosticados com cáries em cada centro de saúde foram classificados como “novos pacientes”, e aqueles que foram diagnosticados novamente pelo mesmo dentista foram classificados como “pacientes idosos”. Os resultados mostram que os dentistas prestar mais atenção aos pacientes na visita inicial do que na consulta de reexame.

Em outro estudo anterior, a mineração de dados foi aplicada para analisar a causa indireta de extração com base em um grande volume de registros médicos eletrônicos. [50] Causas diretas de extração em 5.257 casos foram cárie dentária (43,8%), doenças periodontais (37,2%), fraturas (6,8%), próteses (4,3%), impactação (3,1%), ortodontia (2,7%) e dentes decíduos (0,3%). Como resultado da extração de dados dos prontuários eletrônicos dos indivíduos selecionados com um algoritmo de IA específico, confirmou-se que a presença da experiência de extração e o número de dentes extraídos foram estatisticamente afetados pelo gênero, idade e ocupação. Esse algoritmo não apenas processa os dados existentes estatisticamente, mas também revela fatores causais significativos que afetam os candidatos à extração com base em relações causais. O número estimado de desfechos de extração de acordo com a faixa etária e grupo de ocupação foi próximo ao número de desfechos de acordo com a idade real.

Os exemplos acima mencionados mostram a utilização de IA no campo odontológico atual para aplicar aprendizado de máquina para diagnosticar e fazer previsões através da extração de informações significativas de grandes quantidades de registros médicos. Isso se concentra principalmente na criação de sistemas especialistas para ajudar os profissionais de odontologia a tomar decisões, bem como ajudar os pacientes a entender suas doenças.

Embora a conquista não seja trivial, considerando que o tratamento médico e o tratamento autônomo e ativo são os objetivos finais do uso da IA ​​no campo da medicina, os resultados da pesquisa atual estão apenas no estágio inicial. O aprendizado de máquina e a mineração de dados usados ​​no campo odontológico até o momento e o estabelecimento de sistemas especialistas são baseados na grande quantidade de dados anteriores que lidam com diagnósticos odontológicos, tratamento e julgamento profissional, que são convertidos em texto e numéricos. Em outras palavras, o julgamento clínico real e o tratamento são realizados pelo dentista continuamente, e a AI desempenha um papel para auxiliar esse julgamento e tratamento.

CONCLUSÃO

A apresentação atual estabeleceu o conceito, a história e a aplicação atual da IA na vida cotidiana. A aplicação da IA está se tornando uma realidade comum em todas as áreas da vida humana moderna, e os esforços para desenvolver robôs controlados pela IA foram continuamente realizados para maximizar a conveniência humana. À medida que o uso de IA em toda a área médica aumenta, o papel da IA na odontologia será grandemente expandido. Atualmente, o uso da IA está avançando rapidamente além da prática odontológica baseada em imagem e baseada em texto. Além do diagnóstico de cárie dentária visualmente confirmada e dentes impactados, estudos aplicando aprendizado de máquina baseado em redes neurais artificiais para tratamento odontológico através de análise de ressonância magnética dental, tomografia computadorizada e radiografias cefalométricas estão em andamento, e alguns resultados visíveis estão surgindo num ritmo acelerado de comercialização.

Suporte financeiro e patrocínio

Nada.

Conflitos de interesse

Não há conflitos de interesse.

FONTE: Wook Joo Park 1 e Jun-Beom Park 2 – European Journal of Dentistry 2018 Oct-Dec; 12(4): 594–601
REFERÊNCIAS
  1. Legg S, Hutter M. Inteligência universal: uma definição de inteligência de máquina. Mentes Mach. 2007; 17 : 391–444. [Google Scholar]
  2. Albus JS. Esboço para uma teoria da inteligência. IEEE Trans Sys Man Cybern. 1991; 21 : 473-509. [Google Scholar]
  3. Zackova E. Inteligência busca de explosão para a humanidade. Em: Romportl J, Zackova E, Kelemen J, editores. Além da Inteligência Artificial: O Desaparecimento da Máquina Humana. Dordrecht: Springer; 2015. p. 34. [Google Scholar]
  4. Copeland BJ, Sylvan R. Além da máquina universal de Turing. Australas J Philos. 1999; 77 : 46-66. [Google Scholar]
  5. Pradhan T. Aprimoramento da máquina de Turing para a máquina de Turing universal para impedir a linguagem recursiva enumerável e sua simulação JFLAP. Int J Hybrid Infor Tech. 2015; 8 : 193-202. [Google Scholar]
  6. Dreyfus H. O Mito da Pervasividade do Mental. Em: Schear J, editor. Mente, Razão e Ser-no-Mundo. Nova York: Routledge; 2013. pp. 17-23. [Google Scholar]
  7. Weinbaum D, Veitas V. Inteligência aberta: a individuação de agentes inteligentes. J Exp Theor Artif Intell. 2017; 29 : 371-96. [Google Scholar]
  8. Kant I. Kritik der Reinen Vernunft. Hamburgo: Felix Meiner; 1956. pp. A76-80. B102-6. [Google Scholar]
  9. Floridi L. Filosofia e Computação: Uma Introdução. Nova York: Routledge; 1999. p. 148. [Google Scholar]
  10. Perlovsky LI. Mecanismos neurais da mente, aristóteles, zadeh e fMRI. IEEE Trans Neural Netw. 2010; 21 : 718-33. [PubMed] [Google Scholar]
  11. Nilsson N. A busca pela inteligência artificial. Nova Iorque: Cambridge University Press; 2010. [Google Scholar]
  12. Uckelman SL. Computando com Conceitos, Computando com Números: Llull, Leibniz e Boole. Berlim: Springer; 2010. pp. 427-37. [Google Scholar]
  13. Turing A. Em números computáveis, com uma aplicação para o Entscheidungsproblem. Proc London Math Soc. 1936; 42 : 230–65. [Google Scholar]
  14. Turing A. Máquinas e Inteligência Computacional. Mente. 1950; 49 : 433-60. [Google Scholar]
  15. Kline R. Cibernética, estudos de autômatos e a conferência de Dartmouth sobre inteligência artificial. IEEE Ann History Computing. 2011; 33 : 5–16. [Google Scholar]
  16. McCulloch WS, Pitts W. Um cálculo lógico das idéias imanentes na atividade nervosa 1943. Bull Math Biol. 1990; 52 : 99–115. [PubMed] [Google Scholar]
  17. Poulton MM. Uma breve história. Oxford: Elsevier Science; 2001. p. 10. [Google Scholar]
  18. Newell A, Simon HA. Ciência da computação como investigação empírica: Símbolos e busca. ACM comun. 1976; 19 : 113-26. [Google Scholar]
  19. Boliche M, Fürnkranz J, Graepel T, Musick R. Aprendizado de máquina e jogos. Mach Aprenda. 2006; 63 : 211-5. [Google Scholar]
  20. Dreyfus H. Alquimia e Inteligência Artificial. Santa Monica: Rand Corporation; 1965. [Google Scholar]
  21. Weizenbaum J. Computer Power e Human Reason: do julgamento ao cálculo. Nova Iorque: WH Freeman and Company; 1976. [Google Scholar]
  22. Weizenbaum J. ELIZA – um programa de computador para o estudo da comunicação em linguagem natural entre homem e máquina. ACM comun. 1966; 9 : 36-45. [Google Scholar]
  23. Ho Y, Bryson A, Baron S. Jogos diferenciais e estratégias ótimas de evasão de perseguição. IEEE Trans Autom Control. 1965; 10 : 385-9. [Google Scholar]
  24. Bryson A, Ho Y. Controle Ótimo Aplicado: Otimização, Estimativa e Controle. Nova Iorque: Taylor e Francis; 1975. [Google Scholar]
  25. Jackson P. Introdução aos Sistemas Especialistas. Londres: Addison Wesley; 1986. [Google Scholar]
  26. Shortliffe EH, Buchanan BG. Um modelo de raciocínio inexato na medicina. Matemática Biosci. 1975; 23 : 351-79. [Google Scholar]
  27. Forbus KD. AI e ciência cognitiva: o passado e os próximos 30 anos. Top Cogn Sci. 2010; 2 : 345-56. [PubMed] [Google Scholar]
  28. Balint A, Belov A., Matti J, Sinz C. Visão geral e análise da competição de soluções do SAT Challenge 2012. Artif Intell. 2015; 223 : 120-55. [Google Scholar]
  29. Zinchenko K, Wu CY, Song KT. Um estudo sobre o controle do reconhecimento de fala para um robô cirúrgico. IEEE Trans Indust Inform. 2017; 13 : 607-15. [Google Scholar]
  30. Dirican C. Os impactos da robótica, inteligência artificial nos negócios e economia. Proced Soc Behav Sci. 2015; 195 : 564-73. [Google Scholar]
  31. Alessandri E, Gasparetto A, Garcia RV, Béjar RM. Uma aplicação de inteligência artificial à robótica médica. J Intell Robot Syst. 2005; 41 : 225-43. [Google Scholar]
  32. SC branco. Sistemas de apoio à decisão em odontologia. J Dent Educ. 1996; 60: 47–63. [PubMed] [Google Scholar]
  33. Steimann F. Sobre o uso e utilidade de conjuntos fuzzy em IA médica. Artif Intell. Med. 2001; 21 : 131–7. [PubMed] [Google Scholar]
  34. Ramesh AN, Kambhampati C, Monson Jr., Drew PJ. Inteligência artificial em medicina. Ann R Coll Surg Engl. 2004; 86 : 334–8. [Artigo gratuito do PMC] [PubMed] [Google Scholar]
  35. Barbieri C, M Molina, Ponce P, M Tothova, Cattinelli I, Ion Titapiccolo J, et al. Um estudo observacional internacional sugere que a inteligência artificial para suporte à decisão clínica otimiza o tratamento da anemia em pacientes em hemodiálise. Rim Int. 2016; 90: 422-9. [PubMed] [Google Scholar]
  36. Maes P. A vida artificial encontra o entretenimento: Agentes autônomos da vida real. ACM comun. 1995; 38 : 108-14. [Google Scholar]
  37. Wong BK, Monaco JA. Aplicações de sistemas especialistas em negócios: Uma revisão e análise da literatura (1977 e ndash; 1993) Inf Manage. 1995; 29 : 141–52. [Google Scholar]
  38. Collen MF, Shortliffe EH. A criação de uma nova disciplina. Em: Collen MF, Ball MJ, editores. A História da Informática Médica nos Estados Unidos. Londres: Springer London; 2015. pp. 75-120. [Google Scholar]
  39. Melhor ML, Wade KW. A internet e a democracia: catalisador global ou fracasso democrático? B Sci Technol Soc. 2009; 29: 255–71. [Google Scholar]
  40. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Inteligência artificial em saúde: passado, presente e futuro. Stroke Vasc Neurol. 2017; 2 : 230–43. [Artigo gratuito do PMC] [PubMed] [Google Scholar]
  41. Salari N., Shohaimi S, Najafi F, M Nallappan, Karishnarajah I. Um novo modelo de classificação híbrida de algoritmos genéticos, vizinho k-vizinho modificado e desenvolvido rede neural de retropropagação. PLoS One. 2014; 9: e112987. [Artigo gratuito do PMC] [PubMed] [Google Scholar]
  42. Zhu J, Wen D, Yu Y, Meudt HM, Nakhleh L. Bayesiana inferência de rede filogenética a partir de marcadores genéticos bi-alélicos. PLoS Comput Biol. 2018; 14 : e1005932. [Artigo gratuito do PMC] [PubMed] [Google Scholar]
  43. Khanna S. Inteligência artificial: Aplicações contemporâneas e futura bússola. Int Dent J. 2010; 60 : 269-72. [PubMed] [Google Scholar]
  44. Kim EY, Lim KO, Rhee HS. Modelagem preditiva da dor dentária usando rede neural. Stud Health Technol Inform. 2009; 146 : 745-6. [PubMed] [Google Scholar]
  45. Nieri M, Crescini A, Rotundo R, Baccetti T, Cortellini P, Prato GP. Fatores que afetam a abordagem clínica dos caninos superiores impactados: Uma análise de rede bayesiana. Am J Orthod Dentofac Orthop. 2010; 137 : 755-62. [PubMed] [Google Scholar]
  46. Xie X, Wang L, Wang A. Modelagem de rede neural artificial para decidir se as extrações são necessárias antes do tratamento ortodôntico. Angulo Ortod. 2010; 80 : 262-6. [PubMed] [Google Scholar]
  47. Kakilehto T, Salo S, Larmas M. Mineração de dados de documentos clínicos de saúde bucal para análise da longevidade de diferentes materiais restauradores na Finlândia. Int J Med Inform. 2009; 78 : e68-74. [PubMed] [Google Scholar]
  48. Jackson J. Data mining; Uma visão geral conceitual. Commun Assoc Infor Sys. 2002; 8 : 267-96. [Google Scholar]
  49. Korhonen M, Gundagar M., Suni J, Salo S, Larmas M. Um estudo baseado na prática da variação do diagnóstico de cárie dentária em pacientes novos e idosos de diferentes idades. Cárie Res. 2009; 43 : 339-44. [PubMed] [Google Scholar]
  50. Miladinović M, Mihailovic B, Janković A, Tošic G, Mladenović D, Živković D, et al. Razões para a extração obtida pela inteligência artificial. Acta Fac Med Naissensis. 2010; 27 : 143–58. [Google Scholar]

Artigos da European Journal of Dentistry são fornecidos por cortesia da Dental Investigations Society.

Versão Original (Inglês) em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6178664/

Deixe uma resposta