Resumen
Objetivos
Este estudio utilizó un método de inteligencia artificial (IA), a saber, 3D-Deep Convolutional Generative Adversarial Network (3D-DCGAN), que es uno de los verdaderos métodos de aprendizaje automático en 3D, como un algoritmo automático para diseñar una corona dental.

Métodos
Seiscientos conjuntos de modelos digitales que contenían segundos premolares mandibulares y sus dientes adyacentes y antagonistas obtenidos de personal sano se aprendieron mecánicamente utilizando 3D-DCGAN. Se utilizaron 12 conjuntos de datos adicionales como conjunto de datos de prueba, mientras que los segundos premolares naturales en el conjunto de datos de prueba se compararon con los diseños en (1) 3D-DCGAN, (2) CEREC Biogeneric y (3) CAD para parámetros morfológicos de 3D similitud, ángulo de la cúspide, número y área del punto de contacto oclusal y simulaciones de fatiga in silico con elementos finitos (FE) utilizando material de disilicato de litio.

Resultados
El diseño 3D-DCGAN y los dientes naturales tuvieron la menor discrepancia en la morfología en comparación con los otros grupos (valor cuadrático medio = 0,3611). El diseño biogenérico mostró un ángulo cúspide significativamente mayor (p < 0,05) (67,11°) que el del diseño 3D-DCGAN (49,43°) y el diente natural (54,05°). No se observaron diferencias significativas en el número y el área de los puntos de contacto oclusal entre los cuatro grupos. El análisis FE mostró que el diseño 3D-DCGAN tenía la mejor coincidencia con el diente natural en cuanto a la distribución de la tensión en la corona. El diseño 3D-DCGAN se sometió a 26,73 MPa y el diente natural se sometió a una tensión de 23,97 MPa en el área de la fosa central bajo una fuerza oclusal fisiológica (300 N); los dos grupos mostraron una vida útil similar a la fatiga (curva F-N) bajo una carga cíclica simulada de 100–400 N. Los diseños con Biogeneric o técnico producirían, respectivamente, una vida útil más alta o más baja que los dientes naturales.

Significado
Este estudio demostró que 3D-DCGAN podría utilizarse para diseñar coronas dentales personalizadas con alta precisión que pueden imitar tanto la morfología como la biomecánica de los dientes naturales.

Hao Ding, Zhiming Cui, Ebrahim Maghami, Yanning Chen, Jukka Pekka Matinlinna, Edmond Ho Nang Pow, Alex Siu Lun Fok, Michael Francis Burrow, Wenping Wang, James Kit Hon Tsoi,
Morphology and mechanical performance of dental crown designed by 3D-DCGAN,
Dental Materials, Volume 39, Issue 3, 2023, Pages 320-332, ISSN 0109-5641,
https://doi.org/10.1016/j.dental.2023.02.001.