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.

زمینه و هدف‌: تصاویر رادیوگرافی پانورامیک به طور گسترده برای ارزیابی وضعیت‌های دندانی استفاده می‌شوند، اما تفسیر دستی آن‌ها زمان‌بر و وابسته به تجربه بالینی است. این پژوهش با هدف توسعه یک چارچوب یادگیری عمیق مبتنی بر U-Net برای قطعه‌ بندی خودکار چهار وضعیت دندانی شامل پوسیدگی دندان، ترمیم‌های دندانی، دندان‌های تحت درمان ریشه و دندان‌های مولر سوم نهفته انجام شد.
روش بررسی: این پژوهش از نوع توسعه یک مدل کاربردی بود که در سال 1400 توسط پژوهشگران دانشگاه تهران انجام شد. تصاویر پانورامیک از منابع عمومی در دسترس گردآوری شدند. دو دندانپزشک به طور مشارکتی فرایند برچسب ‌گذاری و تعیین کلاس هدف شامل چهار وضعیت دندانی شامل پوسیدگی، پرکردگی، درمان ریشه و دندان عقل نهفته را انجام دادند. برای جلوگیری از data leakage، ابتدا 10 درصد از مجموعه داده به عنوان مجموعه آزمایشی از کل داده‌ها جدا شد و سپس فرایند افزایش داده صرفاً بر روی مجموعه آموزش و اعتبارسنجی انجام گرفت. پس از افزایش داده، مجموعه داده با نسبت 80 به 20 درصد به ترتیب به داده‌های آموزشی و اعتبارسنجی افراز گردید. مدل U-Net اصلاح شده بر روی تصاویر پیش پردازش شده 512×512 آموزش داده شد و عملکرد آن با معیارهای با استفاده از معیارهای حساسیت (Recall)، دقت مثبت  (Precision)، امتیاز F1 و صحت  (Accuracy)ارزیابی شد.
یافته‌‌ها: مدل پیشنهادی در هر چهار وضعیت دندانی عملکرد امیدوار کننده‌ای نشان داد. با توجه به نامتوازن بودن نسبی داده‌ها، معیار اصلی تفسیر عملکرد مدل F1-score در نظر گرفته شد، به ‌طوری‌که مقادیر آن برای پوسیدگی، پرکردگی، دندان عقل نهفته و درمان ریشه به ترتیب 56/73، 2/92، 1/87 و 0/76 درصد بود. مقادیر Precision نیز به ترتیب 74/79، 5/97، 0/77 و 2/61 درصد و Accuracy بین 4/98 تا 5/99 درصد گزارش شد.
نتیجه‌ گیری: چارچوب پیشنهادی مبتنی بر U-Net توانست عملکرد مناسبی در شناسایی خودکار وضعیت‌های دندانی در تصاویر پانورامیک نشان دهد و می‌تواند در غربالگری دندانی به کمک رایانه و برنامه‌ریزی درمان مورد استفاده قرار گیرد. با این حال، ارزیابی مدل بر روی مجموعه داده‌های بزرگ‌تر و ناهمگن‌تر برای بهبود تعمیم‌ پذیری ضروری است.