مجله دندانپزشکی

زمینه و هدف: پوسیدگی دندان یکی از بیماری‌های مزمن دهان با شیوع بالا در سراسر جهان است. تشخیص به ‌موقع و دقیق پوسیدگی‌های دندانی نقش مهمی در جلوگیری از پیشرفت ضایعات و کاهش عوارض دارد. هدف از این مطالعه، مرور نظام‌مند مطالعات انجام شده در زمینه تشخیص پوسیدگی‌های دندانی بر روی رادیوگرافی پری‌ اپیکال با استفاده از یادگیری ماشین است.
روش بررسی: جستجوی جامعی در پایگاه‌های داده PubMed، Scopus، Web of Science،IEEE Xplore  و Google Scholar تا پایان سال 2024 انجام شد. معیارهای ورود شامل استفاده از الگوریتم‌های یادگیری ماشین برای تشخیص پوسیدگی دندان در رادیوگرافی‌های پری‌ اپیکال یا داخل دهانی بود. کیفیت مطالعات با استفاده از ابزار  QUADAS-2ارزیابی شد.
یافته‌ها: از 825 مقاله اولیه، 13 مطالعه معیارهای ورود را داشتند. تمام مطالعات از شبکه‌های عصبی کانولوشنی(CNNs) استفاده کرده بودند، با معماری‌های متنوعی از جمله ResNet، VGG، Inception، DenseNet و YOLO. مدل‌های مبتنی بر ResNet و مدل‌های ترکیبی آن بهترین عملکرد را با دقت تشخیصی 82 درصد تا 98 درصد نشان دادند. مقایسه با متخصصان انسانی در 6 مطالعه نشان داد که الگوریتم‌های یادگیری عمیق عملکرد مشابه یا بهتری داشتند.
نتیجه‌گیری: یادگیری عمیق، به‌ویژه CNNها، پتانسیل قابل توجهی برای بهبود تشخیص پوسیدگی‌های دندانی در رادیوگرافی‌های پری‌ اپیکال دارد. با این حال، چالش‌هایی مانند محدودیت داده‌های آموزشی با کیفیت و مسائل مربوط به تعمیم‌ پذیری نیاز به بررسی بیشتر دارد.