مجله دندانپزشکی

زمینه و هدف: فناوری هوش مصنوعی (AI) به طور گسترده در دندانپزشکی و در بسیاری از زمینه‌های دیگر که زندگی انسان را تحت تأثیر قرار می‌دهند، از جمله پزشکی کاربرد دارد. یک دندانپزشک می‌تواند از فناوری هوش مصنوعی جهت تحلیل داده‌های مربوط به بیمار، فرایندهای تشخیصی و مدیریت فعالیت‌ها استفاده کند. این تحقیق با هدف شناسایی کاربردهای هوش مصنوعی در حوزه دندانپزشکی و ارزیابی اولویت آن‌ها در ایران انجام شد.
روش بررسی: این پژوهش کاربردی در دو مرحله با رویکرد آمیخته در زمستان 1401 انجام شد. در مرحله کیفی از بین مطالعات حوزه دندانپزشکی و مرتبط با فناوری هوش مصنوعی تعداد 570 مقاله از سال 2011 تا 2022 در پایگاه‌های PubMed, Web of Science, Scopus و Google Scholar بر اساس واژگان کلیدی در ابتدا شناسایی شد و سپس کاربردهای هوش مصنوعی در دندانپزشکی استخراج گردید. در مرحله کمی کاربردهای شناسایی شده توسط گروهی از خبرگان متشکل از 13 نفر از اعضای هیات علمی دانشگاه که دارای زمینه تحقیقاتی مرتبط بودند با استفاده از روش بهترین-بدترین اولویت بندی شدند.
یافته‌ها: مولفه‌های شناسایی شده در مرحله اول پژوهش در شش طبقه ایمپلنت و جراحی، مدیریت اجرایی، تشخیص بیماری، تحلیل عکس، پیش‌بینی بالینی و ارتودنسی طبقه‌بندی شد. مطابق نظر خبرگان پژوهش مشخص گردید تحلیل عکس پزشکی دارای بیشترین ضریب اهمیت (252/0) بود و سپس به ترتیب کاربردهای دیگر یعنی ارتودنسی (234/0)، تشخیص بیماری (151/0)، ایمپلنتولوژی و جراحی (143/0)، پیش‌بینی‌های بالینی (127/0) و مدیریت اجرایی (093/0) قرار گرفت.
نتیجه‌گیری: دندانپزشکان در بررسی وضعیت دندان‌های بیماران و تست‌های تشخیصی در دندانپزشکی بر اساس تحلیل اطلاعات مراجعه‌ کنندگان از قابلیت‌های هوش مصنوعی می‌توانند استفاده کنند. سیاست گزاران حوزه فناوری اطلاعات با حمایت و تقویت شرکت‌های دانش بنیان فعال در حوزه هوش مصنوعی و سرمایه‌گذاری مشترک در حوزه پزشکی می‌توانند زمینه ‌ساز پیشرفت و توسعه این فناوری در کشور و حوزه درمان شوند.

زمینه و هدف: با پیشرفت تکنولوژی استفاده از روش‌های قدیمی تدریس جای خود را به روش‌های نوین و کارآمدتری از جمله پادکست داده‌اند تا علاوه بر صرفه جویی در وقت دانشجویان و اساتید، فرصت تعامل بیشتر این دو گروه با یکدیگر در کلاس درس داده شود. استفاده از پادکست مزایایی از جمله هزینه کمتر، امکان دوره مطالب، دانلود مطالب و فراگیری دروس از راه دور را دارد. هدف از این مطالعه بررسی تأثیر پادکست بر یادگیری و میزان رضایت دانشجویان دندانپزشکی بود.
روش بررسی: این مطالعه که یک کارآزمایی آموزشی تصادفی شده یک ‌سو کور بود، دانشجویان به دو گروه کنترل و مداخله (توسط جدول اعداد تصادفی) شامل ۳۷ نفر در هر گروه تقسیم شدند. کلاس درس به صورت سنتی برای هر دو گروه در سه جلسه به صورت ترکیبی برگزار شد و فایل پادکست در اختیار گروه مداخله در پایان کلاس حضوری قرار گرفت. سپس آزمونی از هر دو گروه در جلسه دوم و جلسه سوم گرفته شد. سپس برگه‌ها تصحیح و نمره هرکدام از ۵ مشخص شد. نمره آزمون‌ها در گروه مداخله و کنترل با هم مقایسه شد و در آخر پرسشنامه‌ای جهت ارزیابی رضایت‌مندی آن‌ها در اختیارشان قرار داده شد. نمرات آزمون با آزمون تی مستقل آنالیز شد.
یافته‌‌‌ها: در این مطالعه تعداد74 نفر با میانگین سنی شرکت‌ کنندگان ۸۵/۰±۴۷/۲۲ بود و ۴۳ درصد از شرکت‌ کنندگان مذکر بودند. نمرات دو آزمون گرفته شده و از پنج نمره، در گروه مداخله ۱۰/۰±۸۶/۴ و در گروه کنترل و ۹۴/۰±۰۴/۴ بود و تفاوت آماری معنی‌داری به نفع گروه مداخله مشاهده شد (۰۲/۰=P). میانگین رضایت‌ مندی دانشجویان درخصوص این شیوه آموزشی ۴/۲۹ از ۵۰ بود. مداخله مورد بررسی پس از در نظر گرفتن اثر مخدوش کنندگی سن، تأثیری بر میانگین نمره پرسشنامه دانشجویان نداشته است (031/۰=P).
نتیجه‌گیری: با توجه به یافته‌های مطالعه حاضر، پادکست در میزان یادگیری ترکیبی دانشجویان مؤثر است و دانشجویان نسبت به این روش رضایت ‌مندی نسبتاً خوبی دارند. از نتایج این مطالعه می‌توان در بازخورد به کمیته‌های آموزشی وزارت بهداشت درمان و آموزش پزشکی استفاده کرد.

زمینه و هدف: بیماری کراس بایت خلفی یک اختلال شایع در سیستم دندان‌های شیری است که بر عملکرد جونده تأثیر می‌گذارد. بنابراین تشخیص و درمان زود هنگام دندان‌های کراس بایت برای جلوگیری از عوارض بیشتر دندانی و تضمین رشد مناسب فک بسیار مهم است. در این مطالعه یک سیستم تشخیصی معقول و کارآمد محاسباتی برای تشخیص ویژگی‌های بین کودکان با و بدون کراس بایت خلفی یک‌ طرفه در دندان شیری از طریق سیگنال الکترومایوگرافی سطحی ارائه شد.
روش بررسی: مطالعه حاضر یک مطالعه تجربی از نوع آزمایشگاهی است که در آن برای تشخیص بیماری کراس بایت از ترکیب روش ماشین بردار پشتیبان و سیگنال‌های الکترومایوگرام بهره گرفته شد. ایده اصلی روش ماشین بردار پشتیبان، یافتن ابر صفحه جداکننده بهینه است که حاشیه بین دو کلاس (وجود یا عدم وجود بیماری کراس بایت) در سیگنال الکترومایوگرام را به حداکثر برساند. در این پژوهش سیگنال الکترومایوگرام عضلات جونده در 40 کودک (4 تا 6 سال) در دو گروه سالم (20 نفر) و مبتلا به بیماری کراس بایت (20 نفر) طی دو توالی 20 ثانیه جویدن آدامس ثبت شد. سپس داده‌های خام پردازش و ویژگی‌های زمانی و فرکانسی آن‌ها استخراج شدند. در این پژوهش هجده ویژگی زمانی و نه ویژگی فرکانسی از سیگنال‌های عضلات استخراج شد. در انتها این ویژگی‌ها به عنوان ورودی به روش ماشین بردار پشتیبان برای طبقه بندی داده‌ها و تشخیص بیماری کراس بایت استفاده شد. به منظور یافتن بهترین روش ماشین بردار پشتیبان، از چهار نگاشت خطی، تابع پایه شعاعی، غیرخطی مرتبه 2 و غیر خطی مرتبه 3 بهره گرفته شد.
یافته‌ها: بر اساس نتایج پژوهش حاضر، بیماری کراس‌بایت تأثیر معنی داری بر سیگنال‌های الکترومایوگرام داشت. نتایج نشان دادند که این بیماری بیش از آن‌که بر فرکانس سیگنال الکترومایوگرام مؤثر باشد، بر دامنه آن تأثیر گذار است. بر این اساس، روش ماشین بردار پشتیبان با استفاده از ویژگی‌های زمانی سیگنال‌های الکترومایوگرام، توانست پیش ‌بینی دقیق‌تری از بیماری کراس‌بایت را ارائه دهد. نتایج نشان دادند که بهترین ویژگی استخراج شده برای پیش بینی بیماری کراس بایت، ویژگی زمانی مقدار میانگین مطلق با 95 درصد دقت می‌باشد. همچنین از بین چهار نگاشت استفاده شده در پژوهش حاضر برای روش ماشین بردار پشتیبان، نگاشت پایه شعاعی عملکرد بهتری داشت.
نتیجه‌گیری: مطالعه حاضر نشان داد که ترکیب سیگنال الکترومایوگرام و روش ماشین بردار پشتیبان می‌تواند در کاربردهای بالینی برای تشخیص کراس بایت خلفی یک طرفه کودکان مورد استفاده قرار گیرد. نتایج نشان داد که بیماری کراس بایت بر روی فعالیت الکترومایوگرام عضلات صورت تاثیر گذار می‌باشد. به عبارت دیگر با استخراج ویژگی از سیگنال الکترومایوگرام و ترکیب آن با روش‌های یادگیری ماشین می‌توان این بیماری را تا حد مناسبی پیش بینی کرد.

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.

زمینه و هدف: به دلیل تسهیل فرآیند تشخیص و تصمیم گیری بالینی در دندانپزشکی با استفاده از هوش مصنوعی (AI) در سال‌های اخیر، استفاده از این ابزار در دندانپزشکی بسیار مورد توجه قرار گرفته است. بر همین اساس لازم است دندانپزشکان از مزایا و معایب هوش مصنوعی قبل از اجرای آن آگاه باشند. مطالعه حاضر با هدف بررسی جامع کاربردهای مختلف هوش مصنوعی در تشخیص بیماری‌های دندانی همراه با چالش‌ها و معایب آن انجام شد.
روش بررسی: برای این مقاله مروری، یک جستجوی کامل بر روی پایگاه‌های اطلاعاتی Pub-Med و Google Scholar انجام شد و مطالعات منتشر شده طی سال‌های اخیر و همچنین مطالعات منتشر شده 2024 با استفاده از کلید واژه‌های «هوش مصنوعی»، «دندانپزشکی»، «تشخیص» گردآوری شد. در نهایت مقالات مرتبط، با تمرکز بر هوش مصنوعی در دندانپزشکی و تشخیص بیماری‌های دندانی انتخاب و مورد ارزیابی قرار گرفت.
یافته‌ها: پیشرفت‌های هوش مصنوعی در تصویربرداری دندان، به ویژه از طریق یادگیری ماشینی (ML) و شبکه‌های عصبی مصنوعی (Artificial Neural Networks-ANN)، به طرز چشمگیری روش‌های تشخیص بیماری‌های دندانی را متحول کرده است. این فناوری‌ها با استفاده از الگوریتم‌هایی که به سیستم‌ها امکان یادگیری و واکنش به داده‌ها را می‌دهند، به دندانپزشکان کمک می‌کنند تا اطلاعات پیچیده را تحلیل کنند و نتایج دقیق‌تری به دست آورند. جدیدترین پیشرفت در این حوزه، یادگیری عمیق (DL) است که با استفاده از چندین لایه شبکه عصبی، قادر به پردازش داده‌های بدون برچسب و پیش‌بینی نتایج می‌باشد. این تکنیک‌ها در زمینه‌های مختلفی مانند تصویربرداری تشخیصی، پریودنتولوژی، تشخیص پوسیدگی دندان و غربالگری پوکی استخوان کاربرد دارند و به بهبود کیفیت خدمات دندانپزشکی کمک می‌کنند. علیرغم مزایای هوش مصنوعی در دندانپزشکی بالینی، سه چالش بحث برانگیز شامل سهولت استفاده، بازگشت مالی سرمایه و شواهد عملکرد یا به عبارتی قابل اعتماد بودن وجود دارد و باید مدیریت شوند.
نتیجه‌ گیری: همانطور که نتایج به ‌دست ‌آمده نشان می‌دهد، مهم‌ترین مزیت هوش مصنوعی، تشخیص بیماری‌های دندان است. هوش مصنوعی با خودکارسازی وظایف روتین و بهبود مراقبت از بیماران، پتانسیل بالایی برای کاهش فشار بر سیستم‌های بهداشتی دارد. با این حال، این فناوری هرگز نمی‌تواند جایگزین تخصص انسانی شود و باید بر اساس اصول اخلاقی هدایت گردد. در نهایت، هوش مصنوعی به عنوان ابزاری ارزشمند در دندانپزشکی شناخته می‌شود و تصمیم‌گیری نهایی همواره بر عهده دندانپزشک باقی می‌ماند.