هوش مصنوعی در دندانپزشکی ترمیمی

هوش مصنوعی در دندانپزشکی ترمیمی

به احتمال زیاد، چشمگیرترین نقش هوش مصنوعی در دندانپزشکی ترمیمی، تشخیص پوسیدگی است.

اکثر مطالعات تأثیر قابل توجهی از هوش مصنوعی در تشخیص و غربالگری پوسیدگی با چندین روش نشان داده اند؛ به عنوان مثال، در یک تحقیق  نشان داد که ANN می تواند آناتومی دندان طبیعی را از پوسیدگی دندان بر اساس تصاویر دهانی گرفته شده از بیمار تشخیص دهد.

این فناوری همچنین ممکن است پوسیدگی های بین پروگزیمال را شناسایی کند که تشخیص آن برای دندانپزشکان چالش برانگیز است. دقت گزارش شده با استفاده از فناوری هوش مصنوعی 97.1٪ بود. با این حال، هیچ مطالعه ای نشان نداده است که فناوری هوش مصنوعی می تواند شدت پوسیدگی را پیش بینی کند و مطالعات بیشتری مورد نیاز است.

هوش مصنوعی همچنین می‌تواند ترمیم‌های دندان را در رادیوگرافی‌های دندانی مشخص کند. در مطالعه ای مشاهده شد که مدل‌های هوش مصنوعی می‌توانند ترمیم دندان را مشخص کنند و ترمیم‌های مختلف را بر اساس شکل و توزیع v خاکستری جدا کنند.

علائم رادیوگرافی دندان

از آنجایی که استرپتوکوک موتانس (S.mutans) اکثریت ساختمان پوسیدگی های دندانی را تشکیل می دهد، انتخاب یک روش مناسب برای حفاری پوسیدگی می تواند منجر به حذف بهتر پوسیدگی و متعاقبا کاهش S.mutans در دهان پس از درمان شود.

در مطالعه جالبی که توسط جاوید و همکاران انجام شد. [78]، ANN آموزش دیده برای پیش بینی post-S.mutans بر اساس pre-S.mutans و روش حفاری پوسیدگی انتخاب شده استفاده شد. سه روش حفاری پوسیدگی متفاوت شامل تراش با فرز کاربایدی، فرز پلیمری و قلم اکسکاواتر مورد آزمایش قرار گرفت. نتایج دقت بالای 99% را نشان داد. این نتیجه می تواند به دندانپزشک در انتخاب مناسب روش حذف پوسیدگی کمک کند.

از دیگر مزایای فناوری هوش مصنوعی در دندانپزشکی ترمیمی، تعیین حساسیت بعد از عمل و پیش‌بینی شکست ترمیم دندان است؛ یک مطالعه بحث برانگیز برای آموزش هوش مصنوعی به منظور پیش‌بینی احتمال حساسیت بعد از عمل بر اساس عوامل کلیدی از جمله نوع ماده ترمیمی، محل نقص پوسیدگی و عمق نقص پوسیدگی انجام شد. آموزش هوش مصنوعی با اطلاعات ارائه شده در پرسشنامه های تکمیل شده توسط دندانپزشکان در مورد منشاء در نظر گرفته شده 213 مورد حساسیت پس از عمل هدایت شد.

از آنجایی که آموزش مدل های هوش مصنوعی بر اساس تجربه بالینی دندانپزشکان بود، نتیجه کاملا قابل اعتماد نیست. در مطالعه دیگر مشاهده شد که یک مدل یادگیری مبتنی بر مورد می تواند برای انتخاب مواد ترمیمی مناسب و از این رو، پیش بینی طول عمر ترمیم استفاده شود. این تکنیک در عمل یک روش معتبر به نظر می رسد.