fa مرور نظام‌مند تشخیص پوسیدگی‌های دندانی بر روی رادیوگرافی پری‌ اپیکال با استفاده از یادگیری ماشین تشخیص بیماری های دهان و دندان oral medicine مقاله مروری review article <div style="text-align: justify;"><strong>زمینه و هدف: </strong>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.<br> <strong>روش بررسی:</strong> جستجوی جامعی در پایگاه‌های داده PubMed، Scopus، Web of Science،IEEE Xplore &nbsp;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&nbsp;&nbsp;QUADAS-2ارزیابی شد.<br> <strong>یافته‌ها: </strong>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&nbsp;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.<br> <strong>نتیجه‌گیری:</strong> 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.</div> <div style="text-align: justify;"><strong>Background and Aims:</strong> Dental caries is one of the most prevalent chronic oral diseases worldwide. Timely and accurate diagnosis of dental caries plays a crucial role in preventing lesion progression and reducing complications. This study aimed to systematically review the studies on dental caries detection using machine learning algorithms applied to periapical radiographs.<br> <strong>Materials and Methods:</strong> A comprehensive search was conducted in PubMed, Scopus, Web of Science, IEEE Xplore, and Google Scholar databases up to the end of 2024. Inclusion criteria comprised studies using machine learning algorithms for detecting dental caries in periapical or intraoral radiographs. The quality of studies was assessed using the QUADAS-2 tool.<br> <strong>Results:</strong> From 825 initial articles, 13 studies met the inclusion criteria. All studies used Convolutional Neural Networks (CNNs) with various architectures including ResNet, VGG, Inception, DenseNet, and YOLO. ResNet-based models and their hybrid variants showed the best performance with diagnostic accuracy ranging from 82% to 98%. Comparison with human experts in 6 studies revealed that deep learning algorithms demonstrated similar or superior performance.<br> <strong>Conclusion: </strong>From the results, deep learning especially convolutional neural networks, had significant potential for improving dental caries detection in periapical radiographs. However, challenges such as limited high-quality training data and generalizability issues need further investigation.</div> پوسیدگی دندان, رادیوگرافی, هوش مصنوعی, هوش مصنوعی, یادگیری عمیق, شبکه عصبی کانولوشنی Dental caries, Radiography, Artificial intelligence, Artificial intelligence, Deep learning, Convolutional neural network 0 0 http://jdm.tums.ac.ir/browse.php?a_code=A-10-1552-1&slc_lang=fa&sid=1 mitra montazerlotf میترا منتظرلطف Mitra.montazerlotf@iau.ir No PhD Student, Department of Information Technology Management, Faculty of Management and Economics, Sciences and Research Branch, Islamic Azad University, Tehran, Iran دانشجوی دکتری، گروه آموزشی مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران mehrdad Mehrdad Hosseini Shakib مهرداد حسینی شکیب mehrdad.shakib@kiau.ac.ir Yes Associate Proffessor, Department of Industrial Management, Karaj Branch, Islamic Azad University, Karaj, Iran دانشیار گروه آموزشی مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران reza radfar رضا رادفر radfar@gmail.com No Proffessor, Department of Industrial Management, Sciences and Research Branch, Islamic Azad University, Tehran, Iran استاد گروه آموزشی مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران mina khayamzadeh مینا خیام زاده mkhayamzadeh@yahoo.com No Associate Proffessor, Department of Oral and Maxillofacial Medicine, School of Dentistry, International Campus, Tehran University of Medical Sciences, Tehran, Iran دانشیار گروه آموزشی بیماری های دهان و فک و صورت، دانشکده دندانپزشکی، پردیس بین الملل، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران، تهران، ایران