Kecerdasan buatan (AI), adalah teknologi yang meniru kecerdasan dan perilaku manusia, menjadi semakin meningkat populer di berbagai industri. AI memiliki kemampuan untuk meniru kognisi manusia dan menjalankan tugas serupa dengan yang dilakukan oleh medis profesional, tetapi dengan lebih besar efisiensi. Pembelajaran mesin (ML) adalah sub-bidang utama AI, yang mencakup aplikasi algoritma untuk menemukan pola statistik dan struktur dalam data, memungkinkan prediksi yang tidak teramati data. Dengan perkembangan tersebut, mengenai analisis wajah, pembelajaran mesin menyediakan cara yang produktif dan menghemat waktu secara otomatis yang menyertakan keterangan pada wajah.
Pendekatan pembelajaran mendalam pada wajah anotasi yang menggunakan algoritma CNN telah dijelaskan untuk diagnosis dan perencanaan perawatan. Meskipun deteksi landmark wajah memiliki banyak hal tantangan, beberapa pengukuran landmark jaringan lunak wajah diperoleh secara manual dengan kaliper dan algoritma yang secara otomatis mengidentifikasi dan mengukur landmark pada foto dua dimensi (2D) pasien telah dibandingkan.
Dalam bidang kedokteran gigi prostetik, dengan meningkatnya permintaan untuk estetika, beberapa landmark wajah, termasuk interpupillary width (IPW), interlateral canthus width (LCW), intermedial canthus width (MCW), interalar width (IAW), dan intercommissural width (ICW) sering digunakan untuk memandu praktisi dalam memulihkan senyuman dengan memadukan gigi dan wajah secara harmonis komposisi. Sebelumnya, penanda wajah ini ada telah diukur secara manual oleh penilai manusia. Namun, sebuah penelitian yang menguji pendekatan prostodontik otomatis menggunakan teknik ML untuk mengukur landmark wajah dalam 2D foto dan bandingkan dengan anotasi manual kurang. Validitas mengacu pada sejauh mana suatu pengukuran metode secara akurat mengukur atribut spesifiknya dirancang untuk mengukur.
Tujuan dari penelitian ini adalah untuk membandingkan pengukuran manual dan ML dari landmark wajah aktif Foto 2D dan evaluasi intrarater dan interraternya nilai reliabilitas dan validitas metode ML.
Mendeteksi landmark wajah merupakan suatu tantangan karena berbagai alasan9– 16 yang mencakup variasi wajah yang substansial saat posisi kepala diubah. Deteksi landmark pada foto menjadi sangat sensitif terhadap variasi pose yang miring dan/atau melebihi 20 derajat. Kedua, pengakuan algoritma mungkin gagal jika pencahayaan permukaan wajah buruk tidak cukup, karena banyak detail wajah yang mungkin tertutup silau atau bayangan. Dalam metode pengenalan wajah, tingkat deteksi untuk titik fitur wajah meningkat, jika wajah disinari 90 derajat, mewakili persisnya sudut cahaya depan. Selanjutnya, seiring bertambahnya panjang fokus hingga 135 mm, pembesaran meningkat, dan kinerja deteksi landmark otomatis meningkat sebagai a hasil pengurangan distorsi proyeksi. Selain itu, jika menghadap ke depan foto memiliki resolusi yang relatif rendah, lebih kecil dari 16×16 piksel, pendekatan konvensional pada landmark wajah deteksi mungkin tidak berfungsi dengan baik. Superresolusi adalah a metode dimana gambar observasi resolusi rendah dari pemandangan yang sama direkonstruksi menjadi gambar resolusi tinggi dengan meningkatkan komponen frekuensi tinggi dan menghilangkan degradasi yang disebabkan oleh resolusi rendah.
Keterbatasan penelitian ini mencakup pandangan frontal foto-foto peserta diukur daripada simulasi 3D yang lebih realistis telah dianalisis pada sumbu yang berbeda. Selanjutnya, pengukuran dalam penelitian ini terbatas pada antropologi wajah; dimensi gigi tidak termasuk.
Penulis: Maretaningtias Dwi Ariani, drg., M.Kes., Ph.D., Sp.Pros
Untuk membaca artikel kami secara lengkap dapat diakses di: https://www.thejpd.org/article/S0022-3913(24)00282-8/abstract
Baca Juga: Operasi Konservatif Satu Langkah vs Histerektomi untuk Spektrum Plasenta Akreta
