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: 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: 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.