Page 85 - C:\Users\lpnan\Documents\Flip PDF\revue ODF 1 2021\

Deep Learning in orthodontics: going forward on a new patient-practitioner relationship

technologies, aux biotechnologies, aux tielle des données disponibles, données
technologies de l’information et les de plus en plus complexes, de fournir des
sciences cognitives (NBIC) permettrait interprétations plus fiables en préservant
d’améliorer la condition humaine à travers toute l’attention requise du praticien. L’IA
l’augmentation de ses capacités mentales va contribuer à réduire les erreurs d’inter-
et physiques. Pour certains, nous sommes prétations, en limitant les faux positifs et
même à la veille d’une nouvelle mutation les faux négatifs.
anthropologique.
Dès lors, en orthodontie, il faut commencer
Si la santé constitue la porte d’entrée de à réfléchir à la meilleure façon d’exploiter
ce mouvement, il est en réalité néces- et d’organiser cette relation homme-ma-
saire de repenser les relations entre les chine. Si le patient numérique est déjà
praticiens et la technologie. En effet, la une réalité, il sera nécessaire de réaliser Conflit d’intérêt :
machine ne peut se substituer à l’intuition, une convergence de toutes les techniques J-M F. et A.C. déclarent
à l’opinion, au ressenti du patient que seul disponibles. n’avoir aucun conflit
le praticien peut aborder dans la relation Dans ce cadre, l’exploitation du Deep d’intérêt.
soignant-soigné. En ce sens, le rôle des Learning permettra, à terme, considérant le L.G. et X.R. appartiennent
sciences cognitives est primordial. patient dans sa globalité, de proposer une au département R&D
En imagerie, l’utilisation de l’IA va orthodontie « 4P » : personnalisée, préven- Carestream Health,
contribue, face à la croissance exponen- tive, prédictive et participative… Marne-la-Vallée.

BIBLIOGRAPHIE

1. Abdolali, F.; Zoroofi, R.A.; Otake, Y.; Sato, Y. A novel image-based retrieval system for characterization of maxillofacial lesions in cone
beam CT images. Int. J. Comput. Assist. Radiol. Surg. 2019, 14, 785–796, doi:10.1007/s11548-019-01946-w.
2. Abdolali, F.; Zoroofi, R.A.; Otake, Y.; Sato, Y. Automated classification of maxillofacial cysts in cone beam CT images using
contourlet transformation and Spherical Harmonics. Comput. Methods Programs Biomed. 2017, 139, 197–207, doi:10.1016/j.
cmpb.2016.10.024.
3. Cheng, E.; Chen, J.; Yang, J.; Deng, H.; Wu, Y.; Megalooikonomou, V.; Gable, B.; Ling, H. Automatic Dent-landmark detection in 3-D
CBCT dental volumes. In Proceedings of the 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology
Society; 2011; pp. 6204-7.
4. Chu, P.; Bo, C.; Liang, X.; Yang, J.; Megalooikonomou, V.; Yang, F.; Huang, B.; Li, X.; Ling, H. Using Octuplet Siamese Network For
Osteoporosis Analysis On Dental Panoramic Radiographs. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu.
Int. Conf. 2018, 2018, 2579-2582, doi:10.1109/EMBC.2018.8512755.
5. Diploweb Carte géopolitique de l’intelligence artificielle: une course mondiale à l’innovation Available online: https://www.diploweb.
com/Geopolitique-de-l-intelligence-artificielle-une-course-mondiale-a-l-innovation.html (accessed on Dec. 1, 2020).
6. Esteva, A.; Kuprel, B.; Novoa, R.A.; Ko, J.; Swetter, S.M.; Blau, H.M.; Thrun, S. Dermatologist-level classification of skin cancer with
deep neural networks. Nature 2017, 542, 115-118, doi:10.1038/nature21056.
7. Ferizi, U.; Besser, H.; Hysi, P.; Jacobs, J.; Rajapakse, C.S.; Chen, C.; Saha, P.K.; Honig, S.; Chang, G. Artificial Intelligence Applied to
Osteoporosis: A Performance Comparison of machine learning Algorithms in Predicting Fragility Fractures From MRI Data. J. Magn.
Reson. Imaging JMRI 2019, 49, 1029-38, doi:10.1002/jmri.26280.
8. Ganzer, N.; Feldmann, I.; Liv, P.; Bondemark, L. A novel method for superimposition and measurements on maxillary digital 3D
models-studies on validity and reliability. Eur. J. Orthod. 2018, 40, 45-51, doi:10.1093/ejo/cjx029.
9. Gilmour, L.; Ray, N. Locating Cephalometric X-Ray Landmarks with Foveated Pyramid Attention. ArXiv200804428 Cs 2020.
10. Hogarty, D.T.; Mackey, D.A.; Hewitt, A.W. Current state and future prospects of artificial intelligence in ophthalmology: a review.
Clin. Experiment. Ophthalmol. 2019, 47, 128-139, doi:10.1111/ceo.13381.

RODF 2021;55(1):73-87 85

21/01/2021 16:19
RODF-2021-1.indb 85 21/01/2021 16:19
RODF-2021-1.indb 85