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.

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.