Using SVM and Deep Learning to facilitate orthognathic surgery planning

Abstract

Machine learning kan de pre-operatieve planning binnen de mond-, kaak- en aangezichtschirurgie vergemakkelijken. Vóór elke operatie wordt een klinische studie uitgevoerd om inzicht te verkrijgen in de situatie van de patiënt. Deze klinische studie bestaat uit klinische metingen en een cefalometrische analyse welke instaan voor 120 parameters per patiënt. Deze hoeveelheid informatie compliceert de besluitvorming voor onervaren chirurgen. Er werd een poging ondernomen om machine learning te integreren om meerdere operatieve ingrepen te voorspellen met betrekking tot kin, boven- en onderkaakbeen. Deze modellen werden eerst gebouwd in een Python-omgeving, en werden later geïmplementeerd op een webserver om gebruikt te worden met een gebruiksvriendelijke interface. Voor de analoge waarden werden meerdere neurale netwerken gebouwd gebruik makende van ReLU activeringen en een lineaire outputactivatie. Deze netwerken werden apart gebouwd voor elke operatieve beslissing gebruik makende van 4 verborgen lagen met elk 20 eenheden. Elk netwerk gebruikt de 20 meest gecorreleerde ingangskenmerken als ingangsknopen. De discrete waarden werden bepaald door twee SVM implementaties met een lineaire en RBF kern, elk bepaald door een gepersonaliseerde grid search. De uitgangswaarden voor regressie zijn slecht gecorreleerd met de uitgangsresultaten, en zouden verbeterd kunnen worden door meer gegevens te verzamelen R2 = 0.5. De classificatie SVMs voorspellen beiden uitgangsgegevens met een nauwkeurigheid van 83% en 86% en gelijkaardige F1-scores.