CN1973291A - 牙齿数据挖掘 - Google Patents

Abstract

披露了一种系统和方法，其提供数据库，该数据库包括病人治疗史、正牙治疗、正牙信息和诊断中的至少一个的概要；采用数据挖掘技术用于询问所述数据库以产生输出数据流，输出数据流将病人牙齿错位咬合与正牙治疗相关联；以及应用输出数据流以改善牙齿矫正器或牙齿矫正器使用。

Description

牙齿数据挖掘

技术领域

本发明涉及计算正牙学和牙科学。在正牙治疗中，使用多种矫正器(appliance)中的任意一种将病人的牙齿从初始位置移动到最终位置。矫正器将力施加在牙齿上，通过所施加的力，根据适于治疗的阶段，移动或固定牙齿中的一个或多个。

发明内容

本发明披露了系统和方法，其提供包括病人治疗史、正牙治疗、正牙信息和诊断中的至少一个的概要(compendium)的数据库；采用数据挖掘技术用于询问所述数据库以生成输出数据流，输出数据流使病人牙齿错位咬合与正牙治疗相关；并且应用输出数据流以改善牙齿矫正器或牙齿矫正器使用。

如果测量的话，所获得的结果通常是使用一组标准的准则(例如由美国正牙委员会指定的)来确定的，最终结果将与其进行比较，并且该获得的结果通常是理想咬合(occlusion)和咬合(bite)关系应该成为的一组理想化规范。确定结果的另一个方法是使用诸如PAR、IOTN、和ICON的相对改进指数(improvement index)，以测量作为治疗结果的改进程度。

本发明提供了方法和装置，用于挖掘治疗结果中的关系，并且在将牙齿从初始牙齿排列复位到最终牙齿排列的过程中使用挖掘数据来增强治疗计划或增强矫正器结构。可以操作本发明来定义如何通过一系列矫正器或通过对用于递增地复位单个牙齿的矫正器的一系列调整来实现复位。可以有利地应用本发明以指定形成为具有牙齿接收腔的聚合体壳(即，在美国专利第5,975,893号中所描述的壳)的一系列矫正器。

通过使用根据本发明所指定的矫正器进行一系列递增位置调整，将病人的牙齿从初始牙齿排列复位到最终牙齿排列。在一个实施方式中，本发明用于为上述聚合体壳矫正器指定形状。系列中的第一矫正器将具有被选择用于将牙齿从初始牙齿排列复位到第一中间排列的几何形状。配戴矫正器直到接近或达到第一中间排列，然后将一个或多个其它的(中间)矫正器连续地放置在牙齿上。最终矫正器具有被选择以逐渐地将牙齿从最后的中间排列复位到期望的最终牙齿排列的几何形状。

本发明指定矫正器，使得它们施加可接受级别的力，只在可接受的范围内导致不适，并且在可接受的时间段内实现牙齿复位的期望的增量(increment)。可以实施本发明以与计算正牙系统的其他部分交互，并且特别地与路线定义模块交互，路线定义模块计算在治疗过程中当牙齿被复位时牙齿所采用的路线。

通常，在一个方面，本发明提供了用于将正牙治疗路线分割成用于复位病人牙齿的临床适当子步骤的方法和相应的装置。该方法包括：提供将被应用于病人的每个矫正器序列的形状和材料的数字有限元模型；提供病人的牙齿和相关口腔组织的数字有限元模型；通过计算地分析有限元模型，计算矫正器对牙齿的实际效果；并且对比于临床限制评估效果。有利地实施可以包括以下特征中的一个或多个。矫正器可以是包括托架(bracket)和弓线(archwire)的牙箍(brace)，包括通过铅平板印刷术(stereo lithography)制造的聚合体壳，牙架(retainer)、或其他形式的正牙矫正器。实施方式可以包括将矫正器的实际效果与矫正器的预期效果相比较；并且如果矫正器的实际效果与矫正器预期效果的差超过阈值，则将矫正器标识为不合格矫正器，并且根据比较的结果修改不合格矫正器的模型。可以通过改变不合格矫正器的形状、通过添加凹痕(dimple)、通过添加材料以引起牙齿位置的过度校正、通过添加材料的脊(ridge)以增加刚度、通过沿着牙床线增加材料的边缘(rim)以增加刚度、通过除去材料以减小刚度、或者通过将形状重定义为由预期效果和不合格矫正器的实际效果之间的差的补码(complement)所定义的形状，可以修改模型和所得到的矫正器。临床限制可以包括牙齿的最大复位速度、牙齿上的最大力、以及期望的牙齿最终位置。最大力可以是线性力或扭转力。最大复位速度可以是复位的线速度或角速度。本发明的装置可以作为系统实施，或者其可以作为确实地存储在计算机可读介质中的计算机程序产品来实施，其中，计算机程序产品具有可操作用于使计算机执行本发明的方法的步骤的指令。

本发明的优点是以下的一个或多个。根据本发明所指定的矫正器只不过施加正牙可接受级别的力，仅仅引起可接受数量的病人的不适，并且在可接受的时间段实现牙齿复位的期望增量。通过确认所建议的路线可以通过所考虑的以及在良好正牙实践的用户可选择的限制之内的矫正器实现，本发明能够用于增强在正牙治疗中用于定义牙齿路线的计算或手动处理。使用本发明设计对准器，允许设计者(人或自动化的)相对于特定限制来精细地调整对准器的性能。同样，能够实现对对准器效果的更精确的正牙控制，并且能够比其他情况更好地预测它们的行为。另外，计算地定义对准器几何形状有利于在数字控制下直接的对准器制造。

本发明的一个或多个实施例的细节在附图和下面的描述中阐述。本发明其他的特征和优点将从说明书、附图、和权利要求中变得显而易见。

附图说明

图1A示出了一个示例性牙齿数据挖掘系统。

图1B示出了一个或多个牙齿矫正器的性能分析。

图1C示出了用在数据挖掘系统的一个实施例中的各种移动类型数据。

图1D示出了一个或多个牙齿矫正器的性能分析。

图1E-1F示出了用于生成治疗计划的群集器(clusterizer)的各种实施例。

图2A是根据本发明的指定治疗进程的过程的流程图，该过程包括用于计算对准器形状的子过程。

图2B是用于计算对准器形状的过程的流程图。

图3是用于创建有限元模型的子过程的流程图。

图4是用于计算对准器变化的子过程的流程图。

图5A是用于计算对准器形状变化的子过程的流程图。

图5B是用于计算对准器形状变化的子过程的流程图。

图5C是用于计算对准器形状变化的子过程的流程图。

图5D是示出图5B的子过程的操作的示意图。

图6是用于计算对准器组的形状的过程的流程图。

图7是根部统计模型的示例性示意图。

图8示出了根部建模的示例性示意图。

图9示出了牙齿的CT扫描的示例性示意图。

图10示出了显示牙齿的示例性用户界面。

在各附图中，相同的参考标号和标记表示相同的元件。

具体实施方式

现在，借助于三维正牙治疗计划工具(诸如Align Technology的ClinCheck或可以从eModels和OrthoCAD得到的其他软件等)使数字治疗计划成为可能。这些技术允许临床医师使用实际病人的齿系作为制定治疗计划的起点。同于2003年8月21日提交的序列号为10/640,439的美国专利申请和于2002年8月22日提交的序列号为10/225,889的美国专利申请中所论述的原始数字治疗计划相比，ClinCheck技术使用病人特有(patient-specific)的数字模型策划治疗计划，然后使用实现的治疗结果的扫描来评定结果的成功程度。数字治疗计划和结果评定的问题是数据的充足和以独立的病人为级评估“治疗成功”的标准和有效方法的缺乏。为了分析信息，使用了牙齿数据挖掘系统。

图1A示出了一个示例性牙齿数据挖掘系统。在该系统中，牙齿治疗和结果数据集1存储在数据库或信息库2中。数据由生成结果4的数据挖掘软件3提取。数据挖掘软件能够询问在数据库2中捕获和/或更新的信息，并且能够生成使病人牙齿问题与牙齿矫正器解决方案相关的输出数据流。应当注意，数据挖掘软件的输出至少可以最有利地、自反地作为后续的输入被馈送到数据库和数据挖掘相关算法。

图1A的数据挖掘系统的结果用于定义用于递增地移动牙齿的矫正器结构或矫正器结构的改变。牙齿移动通常是与正牙治疗相关的那些移动，包括在所有三个正牙方向上的平移、牙齿中心线在两个正牙方向上围绕垂直于垂直中心线的旋转轴旋转(“根部转动”和“扭转”)、以及牙齿中心线在正牙方向上围绕平行于垂直中心线的轴旋转(“纯旋转”)。

在一个实施例中，数据挖掘系统捕获三维治疗所计划的移动、起始位置、和最终达到的牙齿位置。系统将结果与计划进行比较，该结果可以使用任意治疗方法(包括可移除的矫正器以及诸如正牙托架和丝线的固定矫正器)或者甚至其它牙科治疗(例如，将所实现的与用于正牙外科、牙周病学、恢复等的计划进行比较)。

在一个实施例中，牙齿叠加工具用于匹配每个齿弓扫描(archscan)的治疗文件。基于牙齿解剖和牙齿坐标系，在初始的扫描上叠加精细扫描(Refinement scan)，以达到匹配。在两个齿弓中的牙齿匹配后，叠加系统需要基准，以使上齿弓和下齿弓相联系。当选择了“统计过滤”选项时，叠加工具通过首先排除移动(由当前阶段和前一阶段之间的位置差确定)超过高于或低于所有牙齿的移动量的平均值的一个标准偏差的牙齿作为基准，来测量每个牙齿的移动量。然后选择其余的牙齿作为基准来测量每个牙齿的移动。

图1B示出了一个或多个牙齿矫正器的性能的分析。在散点图(scatter graph)中相对“目标”移动绘制“实现的”移动，并且生成趋势线。示出散点图以表明所有的“离散的”数据点在哪里，并且生成趋势线以显示牙齿矫正器的性能。在一个实施例中，趋势线被选择为线性的(它们可以为曲线的)；从而趋势线对所有“离散”数据表现为“最佳拟合”直线。对准器的性能表示为趋势线的斜率。Y轴截距模拟当配戴对准器时发生的偶然移动。通过从“实现的”和“目标”数据的回归计算获得的R²来测量可预测性。

图1C示出了在数据挖掘系统的一个实施例中使用的各种移动类型数据。示例性数据集覆盖扩张/压缩(+/-X平移)、向心移动(mesialization)/远心移动(distalization)/(+/-Y平移)、挤入(-Z平移)、挤出(+Z平移)、倾翻(tip)/转动(X旋转)、扭转/倾斜(Y旋转)、和纯旋转(Z旋转)。

图1D示出了一个或多个牙齿矫正器的性能分析。对于由图1D示出的运动类型，实现的运动大约为该特定数据集的目标运动的85％。

如图1D中所突出示出的，在许多阶段，实际牙齿移动通常都滞后于目标牙齿移动。在使用聚合体矫正器序列进行治疗的情况下，这种滞后在治疗设计中起到重要作用，因为牙齿移动和诸如病人不适的这种负面结果必定随着差异的程度而变化。

在一个实施例中，通过容许目标牙齿位置与实际牙齿位置的统计偏差，使得在诸如步骤170(图2A)和步骤232(图2B)的步骤中的临床参数更加精确。例如，由于还没有充分地实现当前目标牙齿移动的大的计算概率，因此可以减小后续的移动目标，结果使得有很大概率出现后续的移动阶段将需要完成较早阶段打算完成的工作的情况。类似地，目标移动有可能超过期望的位置，尤其是在较早阶段，以致更好的控制了期望的实际移动。该实施例牺牲了使来回行程时间最小的目标，有利于实现目标最终阶段结果的更高概率。在特定于相似病人病历的群集的治疗计划范围内实现了该方法。

表1示出了在一个实施例中的牙齿分组。在表2中示出了牙齿移动的符号规定。所选择的60个齿弓的不同牙齿移动在表3中说明，其性能依降序分类。矫正器性能可以分成4个独立组：高(79-85)％、一般(60-68)％、一般以下(52-55)％、以及不足(24-47)％。表4示出了移动可预知性的排列。可预知性分成3组：高度可预知的(0.76-0.82)、可预知的(0.43-0.63)、和不可预知的(0.10-0.30)。例如，对于特定数据集，结论如下：

1.门牙挤入和前部挤入性能很高。门牙挤入的范围大约是1.7mm，前部挤入的范围大约是1.7mm。这些移动是高度可预知的。

2.犬齿挤入、门牙扭转、门牙旋转、和前部扭转性能一般。犬齿挤入的范围大约是1.3mm，门牙扭转的范围大约为34度，门牙旋转大约是69度，并且前部扭转的范围大约是34度。这些移动是可预知的或高度可预知的。

3.双尖牙倾翻、双尖牙向心移动、臼齿旋转、和后部扩张(expansion)性能在一般以下。双尖牙居中的范围大约是1毫米，双尖牙倾翻的范围大约是19度，臼齿旋转的范围大约是27度，并且后部扩张的范围大约是2.8毫米。双尖牙倾翻和向心移动是不可预知的，而其余的是可预知的移动。

4.前部的和门牙挤出、圆(round)牙和双尖牙旋转、犬齿倾翻、臼齿远心移动、后部扭转性能不足。前部挤出的范围大约是1.7毫米，门牙挤出的范围大约是1.5mm、圆牙旋转的范围大约是67度，双尖牙旋转的范围大约是63度，犬齿倾翻的范围大约是26度，臼齿远心移动的范围大约是2毫米，并且后部扭转的范围大约是43度。除了双尖牙旋转是可预知的，其余所有的都是不可预知的移动。

牙齿
		门牙	#7，8，9，10，23，24，25，26
犬齿	#6，11，22，27
		双尖牙	#4，5，12，13，20，21，28，29
臼齿	#2，3，14，15，18，19，30，31
		前部	#6，7，8，9，10，11，22，23，24，25，26，27
后部	#2，3，4，5，12，13，14，15，18，19，20，21，28，29，30，31
		圆	#4，5，6，11，12，13，20，21，22，27，28，29

表1.研究的牙齿组

移动类型
			X平移(扩张/压缩)	(-)是舌的	(+)是口腔的
X旋转(倾翻)
			上&下右象限	(-)是远侧的	(+)是朝向齿弓中线的
上&下左象限	(-)是朝向齿弓中线的	(+)是远侧的
			Y平移(居中/远心移动)
左上&右下象限	(-)是远侧的	(+)是朝向齿弓中线的
			右上&左下象限	(-)是朝向齿弓中线的	(+)是远侧的
Y旋转(扭转)	(-)是舌齿冠	(+)是口腔齿冠
			Z平移(挤入/挤出)	(-)是挤入	(+)是挤出
Z旋转(纯旋转)	(-)是顺时针的	(+)是逆时针的

表2.牙齿移动的符号规定

组	移动	模型	性能指数	副作用	可预测性
						门牙	挤入	线性	85％	0.03	0.82
前部的	挤入	线性	79％	0.03	0.76
						犬齿	挤入	线性	68％	-0.10	0.43
门牙	扭转	线性	67％	0.21	0.63
						前部的	扭转	线性	62％	0.15	0.56
门牙	旋转	线性	61％	-0.09	0.76
						双尖齿	倾翻	线性	55％	0.35	0.27
臼齿	旋转	线性	52％	0.11	0.58
						后部的	扩张	线性	52％	0.11	0.48
双尖齿	向心移动	线性	52％	0.00	0.30
						双尖齿	旋转	线性	47％	0.28	0.63
臼齿	远心移动	线性	43％	0.02	0.20
						犬齿	倾翻	线性	42％	0.10	0.28

后部的	扭转	线性	42％	1.50	0.28
						圆的	旋转	线性	39％	-0.14	0.27
前部的	挤出	线性	29％	-0.02	0.13
						门牙	挤出	线性	24％	0.02	0.10

表3.移动性能指数排列

组	移动	模型	性能指数	副作用	可预测性
						门牙	挤入	线性	85％	0.03	0.82
前部的	挤入	线性	79％	0.03	0.76
						门牙	旋转	线性	61％	-0.09	0.76
门牙	扭转	线性	67％	0.21	0.63
						双尖牙	旋转	线性	47％	0.28	0.63
臼齿	旋转	线性	52％	0.11	0.58
						前部的	扭转	线性	62％	0.15	0.56
后部的	扩张	线性	52％	0.11	0.48
						犬齿	挤入	线性	68％	-0.10	0.43
双尖齿	向心移动	线性	52％	0.00	0.30
						犬齿	倾翻	线性	42％	0.10	0.28
后部的	扭转	线性	42％	1.50	0.28
						双尖齿	倾翻	线性	55％	0.35	0.27
圆的	旋转	线性	39％	-0.14	0.27
						臼齿	远心移动	线性	43％	0.02	0.20
前部的	挤出	线性	29％	-0.02	0.13
						门牙	挤出	线性	24％	0.02	0.10

表4.移动可预测性排列

在一个实施例中，可以应用数据驱动分析器。这些数据驱动分析器可以结合诸如参数统计模型、非参数统计模型、群集模型、最近邻居模型、回归方法、以及工程(人工)神经网络的多个模型。在操作前，使用一个或多个训练(training)部建立数据驱动分析器或模型。在这些部中用于建立分析器或模型的数据通常称为训练数据。由于通过只检查训练实例来开发数据驱动分析器，因此训练数据的选择会极大地影响数据驱动分析器的精确性和学习(learning)速度。为了训练的目的，此前使用的一种方法生成被称作测试集的单独数据。测试集用于避免模型或分析器过度适合(overfitting)训练数据。过度适合指的是分析器已经很好地存储了训练数据，以致于未能适合或分类不可见的数据的情况。典型地，在构建分析器或模型的时候，根据测试集来测试分析器的性能。反复地执行分析器或模型参数的选择，直到分析器在对测试集分类方面的性能达到最佳点。此时，训练过程完成。使用独立训练和测试集的另一种选择是使用称作交叉验证的方法。交叉验证可用于为参数分析器确定参数值或为非参数分析器确定模型。在交叉验证中，选择单一训练数据集。接下来，在迭代过程中，通过将训练数据的不同部分作为测试集呈现给分析器，建立多个不同的分析器或模型。然后，基于所有模型或分析器的结合性能来确定参数或模型结构。在交叉验证方法中，通常使用确定的最佳模型结构的数据来再训练分析器或模型。

在一个实施例中，数据挖掘软件3(图1A)可以是在数据库2(图1A)中抓取数据用于索引的“蜘蛛”或“爬虫”。在一个实施例中，执行群集操作以检测数据中的模式。在另一个实施例中，由于神经网络在识别牙齿治疗图案方面非常有效，因此神经网络用于识别每个图案。一旦表现出治疗特征，那么神经网络将输入的牙齿信息等与神经网络识别器所知道的存储的治疗词汇的模板进行比较。识别模型可以包括隐马尔可夫模型(Hidden Markov Model，HMM)、动态编程模型、神经网络、模糊逻辑、或模板匹配器等。这些模型可以单独使用或结合使用。

动态编程考虑通过N个点的M“帧”的所有可能路线，经历用于进行从在任意给定帧k的任意点i到下一帧k+1的任意点j的平移的指定的代价。因为从当前点到下一点的最佳路线与那点以外发生的事情无关，因此通过i(k)终止于j(k+1)的路线的最小总代价[i(k)，j(k+1)]是平移本身的代价加上到i(k)的最小路线的代价。优选地，前导路线的值可以保存在M×N阵列中，并且累积的代价保存在2×N阵列中，以包含可能的前面紧邻的列和当前列的累积的代价。

动态编程需要极大量的计算。识别器为了找到在帧序列和节点模型序列之间的最佳时间对准，其必须将大部分帧与多个节点模型进行比较。一种减小动态编程所需要的计算量的方法是使用修剪(pruning)。如果比较的部分概率分数降到给定阈值以下，则修剪根据给定的治疗模型终止牙齿治疗信息的给定部分的动态编程。这极大地减少了计算。

考虑到作为动态编程的普遍性(generalization)，在优选实施例中使用隐马尔可夫模型来评估观测O(1)、O(2)、...O(t)、...O(T)序列的发生概率，其中，每个观测O(t)可以是VQ方法中的离散符号或者是连续向量。观测序列可以模拟为具有不能直接观测到的状态转换的隐马尔可夫链的概率函数。

在优选的实施例中，马尔可夫模型用于为治疗观测序列的概率建模。状态之间的转换由转换矩阵A＝[a(i，j)]表示。假设模型在状态i，则转换矩阵的每个项a(i，j)都是转换到状态j的概率。假定模型在状态j，则模型的输出符号概率由一组函数B＝[b(j)]表示，其中，输出符号矩阵的项b(j)是当对指定值O(t)进行评估时返回输出观测O(t)的概率的函数。第一状态总被限制为马尔可夫链的第一时间帧的初始状态，只有从左到右状态转换的规定组是可能的。定义不能由此转换到其他状态的预定最终状态。

在一个实施例中，转换被限制为重新进入状态或进入接下来的两个状态中的一个。这种转换在模型中被定义为转换概率。例如，当前具有状态2中的特征信号帧的治疗图样有重新进入状态2的概率a(2，2)、进入状态3的概率a(2，3)、和进入状态4的概率a(2，4)＝1-a(2，2)-a(2，3)。进入状态1的概率a(2，1)或进入状态5的概率a(2，5)是0，并且概率a(2，1)到概率a(2，5)的总和为1。虽然优选实施例将流程图限制到本状态或接下来的两个状态，但是本领域技术人员能够使用更灵活的转换限制来建立HMM模型，尽管从任何状态转换的所有概率的总和仍然必须合计为1。

在该模型的每个状态j，当前特征帧可以用一组预定义的输出符号中的一个来标识或者可以概率性地标记。在这种情况下，输出符号概率b(j)(O(t))对应于由特征帧符号是O(t)的模型所分配的概率。模型排列是转移概率的矩阵A＝[a(i，j)]以及计算B＝[b(j)(O(t))]的技术。

在一个实施例中，从多个训练模式序列为参考图样形成马尔可夫模型，并且输出符号概率是多元高斯函数概率密度。牙齿治疗信息遍历特征提取器。在学习过程中，通过参数估计器处理所生成的特征向量系列，参数估计器的输出被提供到隐马尔可夫模型。隐马尔可夫模型用于导出一组参考图样模板，每个模板代表在参考治疗模式的词汇集中的识别模式。基于从每个马尔可夫模型参考图样模板生成观测的概率，接下来利用马尔可夫模型参考模板来将观测序列分类成参考模式中的一个。在识别过程中，然后，在似然计算器中可将未知的图样标识为具有最高概率的参考图样。

HMM模板具有多个状态，每个状态都具有离散值。然而，与单个值相比，治疗图样特征可以具有动态图样，在实施例中的HMM的前端的神经网络的添加提供了用动态值表示状态的能力。神经网络的输入层包括输入神经元。输入层的输出被分配到中间层中的所有神经元。类似地，中间层的输出被分配到所有输出神经元，输出神经元与HMM的内部状态一对一地对应。然而，每个输出具有到其自身或到其他输出的转换概率，从而形成修改的HMM。这样形成的HMM的每个状态都能够响应特定的动态信号，结果形成更健壮的HMM。可选地，神经网络能够单独使用，而不借助于HMM结构的转换概率。

图1A的输出流或结果4在改善牙齿矫正器设计和/或医生使用中用作反馈。例如，基于分级(staging)方法，能够使用数据挖掘结果来评估性能，以基于治疗方法来比较矫正器性能指数，并且评估对在牙齿上不同附着形状和位置进行比较的性能。

对大群集的治疗结果的牙齿特有的功效和产品性能进行研究的能力使得可以在两个或多个病例群体之间进行统计地有效比较。在所研究的两个群集在治疗方法、矫正器设计、或制造协议方面包含差异的情况下，在如数据输出所展示的产品性能中所见的差异，可归因于方法、设计、或制造协议。最终结果是反馈机构，其使得临床医师或制造者具有使用客观的可测量数据基于来自相当大样本量的性能数据优化产品设计和使用的能力。

对于正牙治疗理论的意见不是普遍一致的，并且实际治疗和结果受到病人变量的测量、与未测量的病人变量的关系、以及变化的病人的依从(compliance)的其它不确定性的影响。结果，不同的临床医师对于个别病人可能更喜欢不同的治疗计划。因此，由于没有普遍接受的“正确”治疗计划，所以个别的治疗计划可能不会被每个临床医师接受。

通过使治疗参数适合临床医师的偏好，下面的几个实施例能够得到较高的临床医师满意度和较高的病人满意度。系统通过临床医师的治疗史的统计观测来检测在治疗偏好中的差异。例如，在比较拥挤的情况下，每个临床医师执行双尖牙拔取的可能性是不同的。即使对于给定的临床医师没有过去治疗的充足记录时，也可以根据诸如地理位置、与训练有关的变量、或实践的规模和性质的其他预测器变量来执行群集，以观察治疗参数中的统计有效差异。

数据挖掘能够统计地发现由不同的临床医师对可比较的病人实现的不同治疗结果的有效图样。例如，群集在一起的病人病例相比于另一个临床医师可能具有系统地较少的并发症(complication)。由数据挖掘工具检测的这种差异可被用作用于反馈到较差临床医师的标志，以及用作用于请求由更好执行的临床医师所使用的治疗差异的标志。

在一个实施例中，对先前完成的病例使用群集技术，以将治疗并发症和结果分类。然后，在每个群集中建立风险概率模型。基于预处理变量的相似性将新的病例分配到相同的群集。然后对新病例使用在完成治疗的病人的每个群集内的风险，以预测治疗结果和并发症风险。然后对高风险病人做标记以引起特别注意，在治疗计划或额外的临床干预中可以包括额外的步骤。

在另一个实施例中，按照观察的临床医师治疗偏好将执业者群集成多个组，并且在每个组内调整治疗参数，以与观察的治疗偏好更紧密地一致。然后基于已知变量与在具有已知治疗史的群集内的变量的相似性，将没有观察到的历史的执业者分配到多个组。

图1E示出了用于群集化实践的示例性处理。首先，该处理基于诸如治疗偏好、结果、以及人口统计和实践变量的临床医师治疗史将治疗实践分成群集(步骤20)。接下来，系统为每个群集中的优选临床限制建模(步骤22)。接下来，基于人口统计的和实践变量，系统将没有治疗史的临床医师分配到在步骤20中的群集(步骤24)。在一个实施例中，使用群集特有临床限制，系统分别在每个群集中执行过程100(见图2A)(步骤26)。另外，当出现新的治疗和结果数据时，系统更新群集和群集分配(步骤28)。

图1F示出了用于生成建议治疗的数据挖掘系统的另一个实施例。首先，基于详细的跟踪(follow-up)数据、诊断、治疗参数和结果、以及人口统计变量，系统识别/群集具有详细跟踪(例如多个高分辨率扫描)的病历(步骤40)。在每个群集内，系统为在期望位置和从跟踪数据获得的实际位置之间的差异建模(步骤42)。此外，在每个群集内，系统为特别不理想的结果的风险建模(步骤44)。在群集的第二层，基于可用的变量来将具有较少详细跟踪数据的病历分组。第二层群集是部分足够的，使得大量第二层群集中的每个都能够被分配到在步骤40中计算的群集，否则被视为新群集(步骤46)。系统利用来自步骤46的群集的其它记录改善步骤42的模型(步骤48)。系统还可以利用来自步骤48的群集的其它记录改善步骤44的模型(步骤50)。然后，在群集的第三层中，基于诊断、人口统计、和初始身体检查，系统将新病人分配到步骤46的群集(步骤52)。在步骤52的每个群集中，系统为在期望位置和实际位置之间的预期差异建模(步骤54)。从步骤54，系统在相关时使用修改的期望位置信息(包括图2B的步骤232和步骤250)(步骤67)。另外，在步骤52的每个群集中，系统为不理想的结果的风险建模(步骤56)。从步骤56，系统还标记需要特别关注和临床限制的病例(如图2B和2A中的步骤204和步骤160)(步骤69)。然后，过程对步骤52的每个群集定制治疗计划(步骤58)。接下来，系统反复地收集数据(步骤61)并且返回到(步骤40)。另外，可以修订和重新分配群集(步骤63)。系统还持续地识别没有良好表现的群集用于额外的跟踪分析(步骤65)。

在临床治疗设置中，获得或处理可能在牙齿移动的每个阶段的全部高分辨率数据并不节省成本。例如：

-在拜访临床医师之间，病人可能使用几种矫正器。

-特定的病人可能只提交一组牙齿印模。

-对辐射的担心可能限制使用CT或X射线扫描的数量。

-在每次拜访时，临床医师通常没有时间报告关于每个牙齿的详细空间信息。

由于这些和其他限制，必须基于部分信息来制定治疗计划。

在一个实施例中，基本上通过匹配病人和为其收集了详细跟踪信息的代表性样本之间的预示特性来近似缺少的信息。在这种情况下，基于用于请求跟踪信息(例如其它牙齿印模组的收集和分析)的不良预期治疗结果来标记病人。然后，所获得的信息用于改善(refine)病人群集和以后分配到该群集的病人的治疗。

通常，使用上述的数据挖掘系统扫描病人数据并且分析数据。系统建议治疗计划等待牙医批准。牙医可以接受治疗计划或请求对治疗计划进行修改。一旦批准了治疗计划，则可以开始制造矫正器。

图2A示出了用于定义和生成用于病人的正牙治疗的复位矫正器的示例性过程100的一般流程。过程100包括本发明的方法，并且适合于本发明的矫正器，这将在以下描述。处理的计算步骤被有利地实施作为用于在一个或多个传统数字计算机上执行的计算机程序模块。

作为初始步骤，获得病人牙齿或口腔组织的模子或扫描(步骤110)。该步骤通常涉及提取病人的牙齿和齿龈的模型，并且可能另外或者可选地涉及咬蜡、直接的接触扫描、x射线成像、断层成像(tomographic imaging)、超声(sonographic)成像、和用于获得关于牙齿、颚、牙龈和其他正牙相关组织的位置和结构的信息的其他技术。从这样获得的数据，导出代表病人牙齿和其他组织的初始(即，预处理)排列的数字数据集。

对可以包括来自扫描操作的原始数据和代表从原始数据导出的表面模型的数据的初始数字数据集进行处理，以将组织成分彼此分割开(步骤120)。特别地，在该步骤中，生成数字地表示单个牙冠的数据结构。有利地生成整个牙齿的数字模型，其包括测量的或外推隐藏表面和根结构。

期望的最终牙齿位置(即，正牙治疗的期望和预期的最终结果)能够以处方的形式从临床医师得到，能够从基本的正牙原理计算，或者能够从临床处方计算地外推(步骤130)。通过对期望的最终牙齿位置和牙齿本身的数字表现的说明，能够指定每个牙齿的最终位置和表面几何形状(步骤140)，以在期望的治疗结束形成完整的牙齿模型。通常，在该步骤中，指定每个牙齿的位置。该步骤的结果是一组数字数据结构，其代表与假定的稳定组织相关的模型牙齿的正牙正确复位。牙齿和组织都表示为数字数据。

有了每个牙齿的初始位置和最终位置，过程接下来为每个牙齿的运动定义牙齿路线。在一个实施例中，在集合中优化牙齿路线，使得牙齿用最少量的来回行程以最快的方式移动，以将牙齿从其初始位置带到其期望的最终位置。(来回行程是牙齿沿着除了直接朝期望的最终位置以外的任意方向的任意运动。来回行程有时是必需的，以允许牙齿彼此移动经过)。分割牙齿路线。计算段(segment)，使得段内的每个牙齿的运动都保持在线性平移和旋转平移的阈值极限之内。这样，每个路线段的最终点能够构成临床可行的复位，并且段终点的集合构成临床可行的牙齿位置序列，因此序列中从一个点到下一个点的移动不会导致牙齿的碰撞。

在一个实施方式中，基于将被使用的矫正器的性质，使用缺省值来初始化线性平移和旋转平移的阈值极限。使用病人特有数据，可以计算更多个别修改的极限值。极限值也可以基于矫正器计算的结果进行更新(步骤170，后面描述)，矫正器计算可以确定在沿着一条或多条牙齿路线的一个或多个点，矫正器在当时存在(then-existing)的牙齿和组织的结构上产生的力不能实现由一条或多条牙路线段表示的复位。借助于该信息，定义分割路线的子过程(步骤150)能够重新计算路线或受影响的子路线。

在过程的各个阶段，尤其在已经定义了分割路线之后，过程能够，并且通常将与负责病人治疗的临床医师交互(步骤160)。能够使用被编程以接收牙齿位置和模型的客户进程以及来自服务器计算机或其中执行过程100的其他步骤的过程来实现与临床医师的交互。有利地将客户进程编程，以允许临床医师显示位置和路线的动画并且允许临床医师重新设置一个或多个牙齿的最终位置，并且指定将被应用到分割路线的限制。如果临床医师进行了任何这样的改变，则再次执行定义分割路线的子过程(步骤150)。

使用分割的牙齿路线和相关牙齿位置数据来计算临床可接受的矫正器结构(或矫正器结构的连续改变)，矫正器结构将在由路线段指定的步骤中在定义的治疗路线上移动牙齿(步骤170)。每个矫正器结构代表沿着病人的治疗路线的步骤。对步骤进行定义和计算，使得每个离散位置能够跟踪有(follow by)从通过前面的离散步骤实现的牙齿位置的直线牙齿移动或简单旋转，并且使得在每个步骤需要的复位数量涉及在病人齿系上的力的正牙最佳数量。如同路线定义步骤一样，该矫正器计算步骤可包括与临床医师的交互甚至反复交互(步骤160)。下面将更全面的描述执行该步骤的过程200的操作。

计算了矫正器定义之后，过程100能够进行到制造步骤(步骤180)，在制造步骤中，制造由过程定义的矫正器，或者生成可以由手动或自动过程使用的电子的或打印的信息，以定义矫正器结构或对矫正器结构的改变。

图2B示出了执行用于在上述美国专利第5,975,893号中描述的这种聚合体壳对准器的矫正器计算步骤(图2A，步骤170)的过程200。过程的输入包括初始对准器形状202、各种控制参数204、和对在当前治疗路线段的终点206处的牙齿的期望的最终结构。其他的输入包括在颚的适当位置的牙齿的数字模型、颚组织的模型、以及初始对准器形状和对准器材料的详细说明。使用输入数据，过程创建对准器、牙齿和组织的有限元模型，并且对准器在牙齿的适当位置上(步骤210)。接下来，过程对对准器、牙齿和组织的合成有限元模型应用有限元分析(步骤220)。分析运行直到达到退出条件，此时，过程评估牙齿是否已经到达当前路线段的期望最终位置，或充分靠近期望最终位置的位置(步骤230)。如果牙齿没有到达可接受的最终位置，则过程计算新的候选对准器形状(步骤240)。如果到达了可接收的最终位置，则评估由有限元分析计算的牙齿的运动，以确定它们是否是正牙可接受的(步骤232)。如果不是可接受的，过程还继续进行计算新的候选对准器形状(步骤240)。如果运动是正牙可接受的，并且牙齿已经到达可接受的位置，则将当前对准器形状与先前计算的对准器形状进行比较。如果当前的形状是迄今为止最好的解决方案(决定步骤250)，则将其保存为迄今为止最好的候选者(步骤260)。如果不是，则将其保存在可选的步骤中作为可能的中间结果(步骤252)。如果当前对准器的形状是迄今为止最好的候选者，则过程确定其是否足够好以被接受(决定步骤270)。如果是，则过程退出。否则，过程继续并且计算另一个候选形状(步骤240)用于分析。

可以使用能够从许多厂家得到的计算机程序应用程序软件来创建有限元模型。为了创建立体几何模型，可以使用计算机辅助工程(CAE)或计算机辅助设计(CAD)程序，例如可以从加州SanRafael的Autodesk公司获得的AutoCAD软件产品。为了创建有限元模型并对其进行分析，可以使用许多厂家的程序产品，包括可从爱荷华州Coralville的CADSI获得的PolyFEM产品、可从马萨诸塞州Waltham的Parametric技术公司获得的Pro/Mechanica模拟软件、可从俄亥俄州辛辛那提的Structural Dynamics研究公司(SDRC)获得的I-DEAS设计软件产品，以及可从加州洛杉矶的MacNeal-Schwendler公司获得的MSC/NASTRAN产品。

图3示出了创建能够用于执行过程200(图2)的步骤210的有限元模型的过程300。模型创建过程300的输入包括描述牙齿和组织的输入数据302和描述对准器的输入数据304。描述牙齿的输入数据302包括：牙齿的数字模型；刚性(rigid)组织结构的数字模型(如果可用的话)；在缺少基质组织的特定模型的情况下，模拟其中嵌有牙齿并且牙齿与其相连的基质组织的高粘性流体的形状和粘度说明；以及指定模型元素的不可移动的边界的边界条件。在一个实施方式中，模型元素只包括牙齿模型、高粘性嵌入底层流体的模型、以及实际上定义其中装有模拟流体的刚性容器的边界条件。注意，流体特性可能随病人群集而变化，例如作为年龄的函数。

创建牙齿和组织的初始结构的有限元模型(步骤310)并且可选地贮藏用于在以后的过程迭代中再次使用(步骤320)。如同对牙齿和组织所做出的，创建聚合体壳对准器的有限元模型(步骤330)。该模型的输入数据包括指定制造对准器的材料和对准器的形状的数据(数据输入304)。

然后计算地操纵模型对准器以将其放置到模型颚内的模型牙齿上，以创建原地对准器的合成模型(步骤340)。可选地，计算使对准器变形以套在牙齿(包括附着到牙齿的任何硬件)上所需要的力，并且在测量特定对准器结构的可接受性中将力用作品质因数。可选地，基于在先的治疗步骤和其他病人信息，所使用的牙齿位置从概率模型来估计。然而，在较简单的备选方案中，通过向对准器内部施加足够的力以使其足够大以套在牙齿上，将模型对准器放置在合成模型中的模型牙齿上，将模型牙齿和组织的条件设定为无限刚硬，并且允许模型对准器轻松进入到固定牙齿上的位置，来模拟对准器变形。模拟对准器和牙齿的表面以在此阶段无摩擦地交互，使得对准器模型在有限元分析开始前在模型牙齿上实现正确初始结构，以找到合成模型的解决方案，并且计算牙齿在变形对准器的影响下的移动。

图4示出了用于计算能够用在过程200的步骤240(图2B)的对准器计算中的下一个对准器的形状的过程400。使用多个输入来计算下一个候选对准器形状。这些包括由合成模型的有限元分析解决方案生成的数据的输入402和当前牙齿路线定义的数据404。从有限元分析导出的数据402包括：牙齿的模拟复位实际占用的时间量；通过分析计算的实际最终牙齿位置；施加到每个牙齿的最大线性力和扭转力；每个牙齿的最大线速度和角速度。从输入路线信息，输入数据404包括：当前路线段的初始牙齿位置，当前路线段末端的期望牙齿位置，每个牙齿的最大允许位移速度，以及每个牙齿的每种最大允许力。

如果发现先前估计的对准器违反一个或多个限制，则过程400可以随意地使用额外的输入数据406。数据406可以包括识别先前评估的对准器所违反的限制和先前评估的对准器的任何识别的次最佳性能的信息。另外，过程400可以使用涉及先前牙科装置所违反的限制和先前牙科装置的次最佳性能的输入数据408。

已经接收了初始输入数据(步骤420)，过程对模型中的可移动牙齿进行迭代。(一些牙齿可以被标识为，并且被限制为不可移动。)如果通过先前选择的对准器，当前选择的牙齿的最终位置和运动动态(dynamics)是可接受的(决定步骤440的“是”分支)，则过程通过选择考虑下一个牙齿(步骤430)而继续，直到考虑完所有牙齿(从步骤430的“完成”分支到步骤470)。否则(从步骤440的“否”分支)，计算在当前选择的牙齿的区域中对准器的变化(步骤450)。然后，如已经描述的，过程返回以选择下一个当前牙齿(步骤430)。

当已经考虑了所有牙齿时，基于先前定义的限制评估对对准器作出的总的改变(步骤470)，其实例已经提到过了。可以关于多个进一步的考虑(例如可制造性)来定义限制。例如，可以定义限制以设置对准器材料的最大厚度或最小厚度，或设置对准器对牙冠上的最大覆盖或最小覆盖。如果满足了对准器限制，则应用改变以定义新的对准器形状(步骤490)。否则，修改对对准器的改变以满足限制(步骤480)，并且应用修改的改变以定义新的对准器形状(步骤490)。

图5A示出了计算在当前牙齿的区域中对准器改变的步骤的一个实施方式(步骤450)。在该实施方式中，基于规则的推理机456用于处理先前描述的输入数据(输入454)和在规则452的规则库中的一组规则452a-452n。推理机456和规则452定义生产系统，当将该系统应用到实际输入数据时，生成一组输出结论，其指定将对当前牙齿的区域中的对准器作出的改变(输出458)。

规则452a...452n具有常规的两部分形式：定义条件的if部分和定义如果条件满足时被断言的结论或行为的then部分。条件可以是简单的或者它们可以是多个断言的复杂逻辑与或逻辑和。定义将对对准器作出的改变的示例性规则组包括：如果牙齿的运动太快，与期望的运动方向相反地为对准器添加驱动材料；如果牙齿的运动太慢，添加驱动材料以过度纠正牙齿的位置；如果牙齿远远没有达到期望的最终位置，则添加材料以过度纠正；如果牙齿移动太多越过了期望的最终位置，则在牙齿移动与其相遇的地方添加材料以硬化对准器；如果已经添加了最大量的驱动材料，则添加材料以过度纠正牙齿的复位，并且不添加驱动材料；如果牙齿的运动是沿不同于期望方向的方向，则除去并添加材料以改变牙齿的方向。

在图5B和5C中示出的一个可选实施例中，计算对准器的绝对结构而不是递增差。如图5B所示，过程460计算当前牙齿的区域中的对准器的绝对结构。使用已经描述的输入数据，过程计算当前牙齿的期望最终位置和实现的最终位置之间的差(步骤462)。使用牙齿中心线与齿龈组织的高度(level)的交叉点作为参考点，过程计算在所有六个运动自由度(即三个平移度和三个旋转度)上的差的补码(步骤464)。接下来，模型牙齿从其期望的最终位置被移动补码量的差值(步骤466)，这在图5B中示出。

图5D示出了说明性的模型对准器60在说明性的模型牙齿62上的平面图。牙齿在其期望的最终位置并且对准器的形状由在该最终位置的牙齿限定。通过有限元分析计算的牙齿的实际运动示出为将牙齿放置在位置64而不是放置在期望位置62。计算的最终位置的补码示出为位置66。过程460(图5B)的下一步通过在前面的步骤(步骤466)中计算的移位的模型牙齿(步骤468)的位置，在该过程的迭代中在当前牙齿的区域中定义对准器。当前牙齿区域中的计算的对准器结构在图5D中示出为由在位置66复位的模型牙齿定义的形状68。

过程460中的又一步骤(同样可以作为规则452(图5A)实施方式)在图5C中示出。为了在当前牙齿的中心轴线方向上移动当前牙齿，使得限定对准器区域的模型牙齿的尺寸或在牙齿的对准器中允许的空间量在过程已经决定移动牙齿远离的区域(步骤465)中较小。

如图6中所示，用于治疗路线中的步骤的计算对准器形状的过程200(图2B)是计算一系列对准器形状的过程600中的一个步骤。该过程600从初始化步骤602开始，在步骤602中，获得初始数据、控制值和限制值。

当已经发现了用于治疗路线的每个步骤或段的对准器结构时(步骤604)，过程600确定是否所有的对准器是可接受的(步骤606)。如果是，则过程完成。否则，过程可选地采取一组步骤610，以试图计算一组可接受的对准器。首先，放宽对对准器的一个或多个限制(步骤612)。然后，对于具有不可接受的对准器的每个路线段，使用新的限制执行形成对准器的过程200(图2B)(步骤614)。如果所有对准器现在是可接受的，则过程600退出(步骤616)。

对准器可能由于多种原因而不能被接受，其中一些原因由过程处理。例如，如果需要任何不可能的移动(决定步骤620)，也就是说，如果需要形状计算过程200(图2B)来实现没有规则或调整可用的运动，则过程600继续执行模块，模块计算能够向其施加力以实现所需运动的目标牙齿的硬件附件的结构(步骤640)。因为添加的硬件能够具有超出局部的影响，因此当硬件被添加到模块时，再次执行过程600的外部循环(步骤642)。

如果不需要不可能的运动(步骤620的“否”分支)，则过程将控制传送到路线定义过程(例如图2A中的步骤150)，以重定义具有不可接受的对准器的治疗路线的那些部分(步骤630)。该步骤可以包括在治疗路线上改变牙齿运动的增量，即，改变分割，改变在治疗路线中由一个或多个牙齿遵循的路线，或者上述两者都包括。在重定义治疗路线之后，再次执行过程的外部循环(步骤632)。重新计算有利地限于只重新计算那些在治疗路线的重定义部分上的那些对准器。如果所有对准器现在都可以接受，则过程退出(步骤634)。如果仍然存在不可接受的对准器，则可以重复过程直到发现可接受的一组对准器或者超出迭代限制(步骤650)。此时，以及在该说明书中描述的过程的其他时刻，例如在计算附加硬件时(步骤640)，过程能够与操作员(例如临床医师或技术人员)进行交互，以请求援助(步骤652)。操作员提供的援助可以包括：定义或选择将被附着到牙齿或骨头的适当附件，定义添加的弹性元件以为治疗路线的一个或多个段提供需要的力，建议在牙齿的运动路线中或者在治疗路线的分段中改变治疗路线，以及批准偏离操作限制或放宽操作限制。

如上所述，通过输入数据的各项来定义和参数化过程600(步骤602)。在一个实施方式中，该初始化和定义数据包括以下项：总过程的外部循环的迭代限制；被计算以确定对准器是否是足够好的品质因数的详细说明(见图2B，步骤270)；对准器材料的详细说明；对准器的形状和结构必须满足以被接受的限制的详细说明；正牙可接受的力以及定位运动和速度的详细说明；初始治疗路线，其包括每个牙齿的运动路线以及将治疗路线分成段的分割，每个段将由一个对准器实现；安装在牙齿或其他上的任何固定器的形状和位置的详细说明；以及牙齿位于其中或其上的颚骨和其他组织的模型的详细说明(在所描述的实施方式中，该模型由粘性基质(substrate)流体模型组成，流体中嵌入有牙齿并且流体具有本质上限定流体容器的边界条件。)

图7是统计根部模型(root model)的示例性图示。如其中所示，使用上述的扫描处理，识别了牙齿的扫描上部701。然后，包括牙冠的扫描上部被补充有模拟的三维根部。可以统计地模拟根部的三维模型。根部702的三维模型和上部700的三维模型一起形成牙齿的完整三维模型。

图8示出了使用附加牙齿信息增强的根部模型的示例性图示。在图8中，附加牙齿信息是X射线信息。扫描牙齿的X射线图像710以提供完整的牙齿形状的二维视图。在X射线图像中识别目标牙齿的轮廓。根据附加信息修改在图7中所显示的模型712。在一个实施例中，图7的牙齿模型被变形，以形成与X射线数据相符的新模型714。

图9示出了牙齿的CT扫描的示例性图示。在该实施例中，从病人的高分辨率CBCT扫描直接得出根部。然后可以将扫描的根部应用到从印模得出的牙冠，或与从锥状射束计算机x射线断层造影术(CBCT)数据提取的现有牙冠一起使用。CBCT单扫描给出三维数据和X射线类数据的多种形式。避免了PVS印模。

在一个实施例中，通过各种方法中的任何一种，锥面光束x射线源和二维区域检测器优选地在整个360度角范围内并且沿着其整个长度扫描病人的牙齿解剖，其中，区域检测器的位置相对于源固定，并且在源和目标之间的相对旋转和平移运动提供扫描(通过辐射能照射目标)。作为锥面光束源沿着扫描路线与多个源位置(即“视图”)相对运动的结果，检测器获得相应的多个锥面光束投影(projection)数据(这里也称作锥面光束数据或投影数据)的序列组，每组锥面光束数据代表由在各个源位置的对象引起的x射线衰减。

图10示出了显示突出的牙齿的示例性用户界面，另一个实施例中，突出的牙齿可以用根部信息示出。使用适当的处理每个牙齿是可单独调整的。在图10的实施例中，处理允许操作员以六个自由度三维地移动牙齿。

Claims (25)

1.一种计算机方法，包括：

提供数据库，所述数据库包括病人治疗史、正牙治疗、正牙信息和诊断中的至少一个的概要；以及

询问所述数据库以生成输出数据流，所述输出数据流使病人牙齿错位咬合与正牙治疗相关联。

2.根据权利要求1所述的方法，还包括生成至少一个具有被选择用于复位牙齿的几何形状的矫正器，其中，所述矫正器包括具有腔的聚合体壳，所述腔形成为容纳牙齿并将牙齿弹性地从一个排列复位到连续的排列。

3.根据权利要求2所述的方法，还包括生成包括牙箍的附加矫正器，所述牙箍包括托架和弓线。

4.根据权利要求2所述的方法，其中，所述矫正器序列包括通过将聚合片套在对应于所述病人的牙齿的正模型上而制造的聚合壳序列。

5.根据权利要求1所述的方法，其中，所述矫正器序列包括通过铅平板印刷术从数字模型制造的聚合壳序列。

6.根据权利要求1所述的方法，其中，所述输出数据流与临床限制相关。

7.根据权利要求6所述的方法，其中，所述临床限制包括复位牙齿的最大速度、牙齿上的最大力、以及期望的牙齿最终位置。

8.根据权利要求7所述的方法，其中，所述最大力是线性力或扭转力。

9.根据权利要求7所述的方法，其中，所述最大复位速度是复位的线速度或角速度。

10.根据权利要求6所述的方法，其中，所述临床限制包括牙齿的最大复位速度。

11.根据权利要求6所述的方法，其中，所述临床限制包括牙齿的最大复位线速度。

12.根据权利要求6所述的方法，其中，所述临床限制包括牙齿的最大旋转复位速度。

13.根据权利要求1所述的方法，其中，所述矫正器序列的最后是用于完成和维持牙齿位置的定位器。

14.根据权利要求1所述的方法，还包括：

将所述矫正器的实际效果与所述矫正器的预期效果进行比较；以及

如果所述矫正器的实际效果与所述矫正器预期效果的差大于阈值，则将矫正器标识为不合格矫正器，并且根据所述比较的结果修改所述不合格矫正器的模型。

15.根据权利要求1所述的方法，还包括至少捕获初始牙齿位置、目标牙齿位置；以及一个或多个中间牙齿位置。

16.根据权利要求1所述的方法，还包括用所述目标位置分析所述中间牙齿位置中的一个。

17.根据权利要求1所述的方法，还包括捕获与病人病例相关的特性标签，以标记所捕获的数据。

18.根据权利要求17所述的方法，还包括基于其标签聚集一组治疗的数据，并且基于所聚集的数据来评价所述一组治疗。

19.根据权利要求18所述的方法，还包括比较多组治疗的性能。

20.根据权利要求1所述的方法，还包括应用模型以计算单个病人的治疗并发症的风险。

21.根据权利要求20所述的方法，还包括识别特殊处理的治疗病例。

22.根据权利要求20所述的方法，还包括识别包括临床限制的特殊治疗参数的治疗病例。

23.根据权利要求20所述的方法，还包括根据实践习惯将临床医生分成群集。

24.根据权利要求23所述的方法，其中，治疗参数适于每个群集特有的参数选择。

25.根据权利要求1所述的方法，还包括在治疗中的特定阶段应用概率模型，以预测目标牙齿位置和实际牙齿位置之间的差异，其中，所述预测被计算到治疗计划中。

Images