


Wie KI Zahnärzten helfen kann, schwer zu findende Zahnprobleme zu lösen
Das Gesundheitswesen befindet sich mitten in einer digitalen Revolution. Patienten sind bereits mit der elektronischen Aufzeichnung und digitalen CT- und MRT-Scans vertraut; einige nutzen Computer Vision und künstliche Intelligenz (KI), um Lungen- und andere Krebsarten zu diagnostizieren.
Während künstliche Intelligenz im Begriff ist, einen neuen, unmittelbareren Einfluss auf unser Leben zu haben, werden die meisten Menschen in der alltäglichen Zahnmedizin wahrscheinlich zum ersten Mal die erstaunlichen Fähigkeiten von Computern erleben – – Sie können sehen und interpretieren routinemäßige zahnärztliche Röntgenberichte genauer als Menschen.
Das West-Hollywood-Startup Pearl unterstützt Zahnbilder mit künstlicher Intelligenz, um die Diagnose zu unterstützen. Es erhielt im März dieses Jahres die FDA-Zulassung und ist eines der ersten Unternehmen, das die Zulassung für zahnmedizinische KI erhielt.
Diese Zulassung ebnet den Weg für den Einsatz in Kliniken in den gesamten Vereinigten Staaten.
„Das ist wirklich eine Premiere in der Zahnmedizin“, sagte Ophir Tanz, Mitbegründer und CEO von Pearl. „Aber wir haben ähnliche behördliche Zulassungen in 50 Ländern auf der ganzen Welt.“
Die Bedeutung künstlicher Intelligenz in der Zahnmedizin
Die Zahnmedizin kann die Fähigkeiten künstlicher Intelligenz sinnvoll nutzen. Jeder, der zum Zahnarzt geht, lässt sich von Zeit zu Zeit röntgen, daher gibt es wahrscheinlich viel mehr Zahnröntgenaufnahmen als bei jeder anderen Art von Krankheit. Diese von menschlichen Experten kommentierten Röntgenbilder werden verwendet, um dem KI-System beizubringen, wie gesunde und ungesunde Zähne aussehen und wie man den Unterschied erkennt.
Second Opinion ist eine KI-Erkennungsplattform von Pearl, einem 2019 gegründeten Dental-Startup, das maschinelles Lernen und KI nutzt, um Zahnärzten dabei zu helfen, Probleme bei gesunden Zähnen zu erkennen. Das Startup sammelte 2019 eine Serie-A-Finanzierung in Höhe von 11 Millionen US-Dollar von Craft Ventures und Crosscut Ventures mit Sitz in Santa Monica.
Um die Zweitmeinung zu entwickeln, hat Pearl über 100 Millionen Zahnröntgenaufnahmen von Zahnkliniken und akademischen Einrichtungen gesammelt. Die KI-Plattform weist auf Unterschiede bei Röntgenaufnahmen hin und dient auch als Instrument zur Patientenkommunikation, sodass Zahnärzte verschiedene Modelle der Zähne eines Patienten zeigen und Problembereiche lokalisieren können.
„Ich denke, dass dies sehr schnell von grundlegender Bedeutung für die Kategorie [Zahnheilkunde] sein wird und somit tatsächlich ein Modell für andere Bereiche der Medizin sein wird – wie man KI in großem Maßstab integrieren und einsetzen kann, um den Versorgungsstandard nachweislich wirklich zu erhöhen.“ „Der ultimative Nutzen und das ultimative Potenzial“, sagte Pearl-Gründer und CEO Ophir Tanz.
Pearls Softwareplattform, die als Cloud-Service verfügbar ist, ermöglicht Zahnärzten die Durchführung von Röntgenuntersuchungen in Echtzeit. Zahnärzte können dann die KI-Ergebnisse überprüfen und sie mit Patienten teilen, um fundierte Gespräche zwischen Zahnärzten und Patienten über Diagnose- und Behandlungspläne zu ermöglichen.
Hinter den Kulissen können von Pearl entwickelte NVIDIA GPU-gestützte Faltungs-Neuronale Netze nicht nur Karies, sondern auch viele andere Zahnprobleme erkennen, wie zum Beispiel rissige Kronen und Wurzelabszesse, die Wurzelkanäle erfordern.
Pearls KI liefert zahnärztliche Ergebnisse. Der FDA-Antrag des Startups zeigt, dass Pearl AI im Durchschnitt 36 % mehr Pathologien und andere Zahnprobleme erkennen kann als ein typischer Zahnarzt. „Das ist wichtig, weil fehlende Pathologien in der Zahnheilkunde sehr häufig und routinemäßig vorkommen“, sagte Tanz.
Zu den Produkten des Unternehmens gehört „Practice Intelligence“, mit dem Zahnarztpraxen künstliche Intelligenz auf Patientendaten anwenden können, um verpasste Diagnose- und Behandlungsmöglichkeiten aufzudecken. Pearl Protect kann bei der Suche nach Zahnversicherungsbetrug, Verschwendung und Missbrauch helfen, während Claims Review eine automatisierte Schadensprüfung ermöglicht.
Der Schlüssel hinter der künstlichen Intelligenz
Die Gründer von Pearl haben über eine Million Bilder für eine Reihe von Erkrankungen gekennzeichnet, die in Zahnarztpraxen häufig vorkommen, um ihre proprietären CNN-Modelle auf NVIDIA V100-Tensoren in der Cloud zu trainieren. Auf Core-GPU ausgeführt, um Probleme zu identifizieren. Zuvor erstellten sie Prototypen auf lokalen NVIDIA-Workstations.
Die Inferenz erfolgt auf Cloud-basierten GPUs und das System von Pearl synchronisiert sich mit den Echtzeit- und historischen Radiologiedaten des Zahnarztes. „Die Dentalbranche befindet sich immer noch im Übergang zur Cloud, und jetzt bringen wir künstliche Intelligenz in die Cloud – wir repräsentieren eine Technologiewelle, die die Zahnmedizin in die Zukunft treiben wird“, sagte Tanz.
Es wird nicht einfach sein, die FDA-Zulassung zu bekommen, sagte er. Es erfordert den Abschluss einer umfangreichen klinischen Studie. Pearl reichte vier Studien ein, die jeweils Tausende von Röntgenaufnahmen und mehr als 80 erfahrene Zahnärzte und Radiologen umfassten.
„Wir sind das einzige Unternehmen auf der Welt, das in Zahnarztpraxen Pathologien diagnostizieren und Krankheiten auf KI-gesteuerte Weise erkennen kann“, sagte er. „Wir drängen auf eine umfassendere Diagnose, es ist eine Diagnosehilfe für Allgemeinmediziner.“
Arzt-Patient-Beziehung fördern
Während der Patient auf dem Stuhl sitzt, überprüft der Zahnarzt das Röntgenbild und weist auf eventuelle Mängel hin Probleme jederzeit. Selbst für erfahrene Zahnärzte kann es eine Herausforderung sein, die Graustufenbilder zu verstehen, die die Grundlage der meisten Behandlungspläne bilden, und für Patienten ist es noch schwieriger, die verschwommenen Abstufungen in Röntgenaufnahmen zu verstehen, die gesunde Zahnstruktur von ungesunder Zahnstruktur unterscheiden.
Aber mit KI-gestützten Bildern können Zahnärzte Problembereiche mit leicht verständlichen Begrenzungsrahmen umreißen. Dies stellt sicher, dass der Behandlungsplan auf einer soliden Grundlage steht, und ermöglicht den Patienten gleichzeitig ein klareres Verständnis darüber, was genau mit ihren Röntgenbildern passiert.
„Man kann sehr visuelle Gespräche führen und dem Patienten eine visuelle Erzählung vermitteln, damit er wirklich beginnt zu verstehen, was in seinem Mund vorgeht“, sagt Dr. Tanz.
Das obige ist der detaillierte Inhalt vonWie KI Zahnärzten helfen kann, schwer zu findende Zahnprobleme zu lösen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
