در سال های اخیر، استفاده از هوش مصنوعی (AI) به طور فزاینده ای در دندانپزشکی رایج شده است، زیرا فرآیند تشخیص و تصمیم گیری بالینی را تسهیل می کند. با این حال، هوش مصنوعی دارای چندین اشکال برجسته است که امروزه کاربرد گسترده آن را محدود می کند. لازم است دندانپزشکان قبل از اجرای هوش مصنوعی از مزایا و معایب آن آگاه باشند.
در تحقیقات جدید هوش مصنوعی در تشخیص ناهنجاریهای دندانی و بدخیمیهای دهان بر اساس نمای رادیوگرافی و ویژگیهای هیستوپاتولوژیک، طراحی ایمپلنت و روکش دندان، تعیین خط پایان آمادهسازی دندان، آنالیز الگوهای رشد، تخمین سن بیولوژیکی، پیشبینی زندهمانی سلولهای بنیادی پالپ دندانی کاربرد دارد. علیرغم مزایای هوش مصنوعی در دندانپزشکی بالینی، سه چالش بحث برانگیز شامل سهولت استفاده، بازگشت مالی سرمایه و شواهد عملکرد وجود دارد و باید مدیریت شود.
نتیجهگیری: همانطور که نتایج بهدستآمده نشان میدهد، مهمترین پیشرفت هوش مصنوعی در سیستمهای تشخیصی بدخیمیهای دهانی است. با این حال، جدیدترین پیشرفتهای هوش مصنوعی در شاخههای مختلف دندانپزشکی، قبل از اعمال بالینی به کار علمی بیشتری نیاز دارد. علاوه بر این، استفاده گسترده از هوش مصنوعی در دندانپزشکی بالینی تنها زمانی قابل دستیابی است که چالش های آن به درستی مدیریت شوند.
امروزه نفوذ هوش مصنوعی در تمامی شاخه های دندانپزشکی مشهود است. در ادامه به تاثیر هوش مصنوعی بر هر شاخه به طور جداگانه می پردازیم.
مرحله پیشگیری
فناوری هوش مصنوعی می تواند کارهای ساده ای را انجام دهد، از جمله رزرو و هماهنگی قرار ملاقات های منظم با توجه به راحتی بیماران و دندانپزشکان و مدیریت امور اداری و بیمه. علاوه بر این، هوش مصنوعی میتواند در کارهای پیچیدهتر مانند هشدار دادن به دندانپزشکان در مورد هر گونه آلرژی یا شرایط پزشکی که ممکن است بیمار داشته باشد، و همچنین تنظیم یادآورهای منظم برای بیمارانی که در برنامههای ترک دخانیات یا تنباکو هستند، کمک کند. همچنین مشاهده می شود که هوش مصنوعی در ارائه کمک از راه دور اضطراری در موارد اورژانس دندانی که نمی توان با متخصص مراقبت های بهداشتی دندانپزشکی تماس گرفت، با دقت بالاتر و خطاهای کمتر سودمند است. از سوی دیگر، به دلیل همهگیری کووید-19، فناوری هوش مصنوعی میتواند بیماران را غربالگری کند و سلامت کارکنان دندانپزشکی را تضمین کند
تاثیر هوش مصنوعی در قسمت تشخیص و طرح درمان
احتمالاً برجسته ترین تأثیر هوش مصنوعی در دندانپزشکی در فرآیند تشخیص و تصمیم گیری است. بسیاری از مطالعات تأیید کردهاند که سیستمهای هوش مصنوعی میتوانند به راحتی دادههای جمعآوریشده از بیمار را ادغام کنند و نتیجه خوبی را ارائه دهند که به دندانپزشک در تشخیص نهایی و برنامه درمانی خود کمک میکند. برای انجام این ماموریت، سیستمهای هوش مصنوعی در ابتدا باید با حجم وسیعی از دادههای جمعآوریشده از منابع قابل اعتماد آموزش ببینند. به عبارت دیگر، اطلاعات معتبر در مورد رابطه متقابل احتمالی بین داروها، شرایط سیستمیک و تظاهرات بالینی دندان از کتابهای درسی و تجربیات بالینی قبلی برای آموزش سیستمهای هوش مصنوعی جمعآوری میشود. علاوه بر این، هوش مصنوعی یاد میگیرد که تأثیرات سابقه دندانی و پزشکی گذشته بیمار، ترجیحات بیمار و دادههای تصویری را با هم بر روی نتیجه نهایی دندانپزشکی در نظر بگیرد و طرح درمانی مورد نظر را ارائه دهد. در این صورت تقریباً می توان اطمینان داشت که تمام عوامل مؤثر بر وضعیت دندانی بیمار برای ارائه طرح درمان نتیجه گیری شده اس. با این وجود، باید توجه داشت که کاربرد هوش مصنوعی برای تفسیر خودکار در عمل بسیار پرهزینه است و نیاز به بازرسی دقیق دائمی دندانپزشک دارد.
تاثیر هوش مصنوعی در بخش رادیولوژی دندانپزشکی
اشکال مختلف هوش مصنوعی در رادیوگرافی فک و صورت استفاده می شود. به عنوان مثال، ANN را می توان برای طبقه بندی، تشخیص و تقسیم بندی در زمینه رادیولوژی استفاده کرد. این طبقه بندی شامل طیف وسیعی از تشخیص فقدان یا وجود پاتولوژی تا طبقه بندی نوع بدخیمی شناسایی شده است. تشخیص به عنوان فرآیندی برای تعیین گسترش بیماری مورد نظر در بافت یا ساختارهای آناتومیک حیاتی شناخته می شود. قطعه بندی فرآیندی است که ساختارهای آناتومیکی یا آسیب شناسی های مختلف را در تصاویر به دست آمده با روش های مختلف، از جمله رادیوگرافی ساده، CT، MR، و تصاویر اولتراسوند قطعه بندی می کند.
برای استفاده از هوش مصنوعی، به ویژه deep learning، در رادیولوژی، باید مقدار قابل توجهی از داده های با کیفیت بالا برای آموزش سیستم ارائه شود. بنابراین، رادیولوژیست باید از یک فرآیند بررسی داده ها عبور کند. این بدان معناست که دادههای خام جمعآوریشده از رادیوگرافیها باید ابتدا بینام شوند.
در مرحله دوم، بازنمایی داده ها بررسی می شود که به عنوان انتخاب مجموعه ای از داده ها تعریف می شود که به اندازه کافی گروه بزرگتری از بیماران را تکرار می کند. در مرحله سوم، استانداردسازی قالب داده ها به منظور سهولت فرآیند اطلاعات برای سیستم هوش مصنوعی انجام می شود. به حداقل رساندن نویز و سایر خطاهای رادیوگرافی در داده ها در فاز چهارم رخ می دهد. در مرحله پنجم، بخش بندی منطقه مورد نظر به منظور اسکن توسط سیستم اجرا می شود. در نهایت، در آخرین مرحله، رادیولوژیست اطلاعات توصیفی مربوط به معنای یک تصویر را برای آموزش هوش مصنوعی وارد سیستم می کند. همانطور که مشاهده می شود، این فرآیند زمان بر است.
پس از وارد کردن داده های مورد نیاز به سیستم، افزایش داده ها تکمیل می شود. در این مرحله، دادههای ورودی برای تغییر و تغییر نمایش دادهها و در عین حال ثابت نگه داشتن برچسب تغییر مییابند. در بیشتر موارد، تقویت با محو یا کج کردن یک تصویر، تغییر کنتراست یا وضوح، چرخش یا چرخش تصویر، تنظیم زوم و تغییر محل ضایعه به دست می آید. به این وسیله، کارایی و دقت نتایج ارائه شده توسط هوش مصنوعی افزایش می یابد.
پس از افزایش داده ها، داده های ورودی به سه مجموعه داده تقسیم می شوند
مجموعه داده های آموزش، اعتبار سنجی و آزمایش مجموعه داده های آموزشی برای آموزش و تنظیم پارامترهای مدل یادگیری استفاده می شود. داده های اعتبارسنجی برای نظارت بر عملکرد مدل در طول آموزش و جستجوی مدل مناسب استفاده می شود. داده های آزمون برای ارزیابی عملکرد نهایی مدل پیشرفته استفاده می شود. در پایان، یک مدل معتبر توسعه یافته تعریف شده است .
هوش مصنوعی میتواند طیف وسیعی از بیماریها، از جمله پوسیدگی دندان، بیماری پریودنتال، استئواسکلروز، کیستها و تومورهای ادنتوژنیک، و بیماریهای سینوس فک بالا یا مفاصل گیجگاهی فکی را در تصویر رادیولوژی تشخیص دهد. به عبارت دیگر، فناوری هوش مصنوعی میتواند فهرستی از تشخیصهای افتراقی را با ارائه سوابق بالینی و رادیولوژیکی بیمار پیشنهاد کند.
در تصویربرداری پانوراما و CBCT، تکنیک DL میتواند مراحل دندان را با خروجیهای CAD خودکار شناسایی و طبقهبندی کند، به دندانپزشکان در تصمیمگیری کمک کند، و با پر کردن خودکار پرونده بیماران به صورت دیجیتالی، زمان نمودار را کاهش دهد. از سوی دیگر، DL با سیستم CAD می تواند اطلاعاتی را برای تشخیص زودهنگام پوکی استخوان بر اساس تصاویر پانوراما در اختیار دندانپزشکان قرار دهد. در این فرآیند، هوش مصنوعی کاهش عرض فک پایین و درجه فرسای فک پایین را تشخیص میدهد. یکی دیگر از کاربردهای DL در رادیولوژی، تخمین خودکار سن استخوان است که با تنظیم مناطق مورد نظر در دست و مچ در رادیوگرافی انجام می شود .
هوش مصنوعی همچنین می تواند به طور خودکار نشانه های سفالومتری سه بعدی را بر اساس یک الگوریتم ورودی تعیین کند .
تکنیک های DL و ML می توانند کیفیت فیلم های معمولی که توسط رادیولوژیست ها گرفته می شود را افزایش دهند. به عبارت دیگر، فناوری هوش مصنوعی سعی در کاهش خطاها، به ویژه نویزها، در فیلم دارد.
علاوه بر این، هوش مصنوعی میتواند مصنوعات ناشی از ترمیمهای فلزی، از جمله روکش ها و ایمپلنتهای روی تصاویر CT و CBCT را کاهش دهد. روش پیشنهادی برای این هدف مشابه روش مورد استفاده در کاهش نویز در فیلم های رادیوگرافی ذکر شده در بالا است.
دندانپزشکی قانونی علمی است که اغلب نیاز به نمایش اطلاعات دقیق و دقیق در رادیوگرافی های دندانی دارد. با توجه به کیفیت ضعیف تصویر دندانی و وجود احتمالی مصنوعات و سایر خطاها، استفاده از هوش مصنوعی می تواند بر این مشکلات غلبه کند و منجر به تصمیمات بالینی بیشتر شود.
هوش مصنوعی در پریودنتولوژی
فناوری هوش مصنوعی در سال های اخیر پیشرفت چشمگیری در زمینه پریودنتولوژی داشته است. تعدادی از مطالعات مزایای سیستم های هوش مصنوعی را در ارزیابی سلامت پریودنتال و تشخیص بیماری گزارش کرده اند. به عنوان مثال استفاده از فناوری DL می تواند موثرتر از ANN برای تشخیص دندان های آسیب دیده پریودنتال در رادیوگرافی پری آپیکال باشد.علاوه بر این، نشان داده شده است که دقت تشخیص در پرمولرها بیشتر از دندانهای مولر است که به احتمال زیاد مربوط به آناتومی سادهتر ریشه در دندانهای پرمولر است.
یکی از جدیدترین پیشرفت های فناوری هوش مصنوعی در پریودنتولوژی، توانایی این سیستم است
برای تشخیص شدت بیماری می توان با ارزیابی پارامترهای ایمونولوژیک در بیماران، بین پریودنتیت تهاجمی و مزمن تمایز قائل شد. دقت این روش 90-98 درصد بود که از نظر آماری ارزشمند است.
یک مطالعه مرور سیستماتیک جدید نشان داد که دقت کاربردهای هوش مصنوعی در تشخیص پلاک دندان 73.6٪ تا 99٪ است.
با این وجود، دقت این فناوری در تشخیص پریودنتیت بر اساس رادیوگرافی داخل دهانی بین 74 ت 78درصد گزارش شده است. بنابراین، با توسعه هوش مصنوعی، انتظار می رود شاهد استفاده از این فناوری به عنوان یک ابزار تشخیصی قدرتمند در پریودنتولوژی باشیم.
تاثیر هوش مصنوعی در ایمپلنتولوژی
فناوری هوش مصنوعی تأثیر زیادی بر علم ایمپلنتولوژی دندان گذاشته است. فناوری هوش مصنوعی برای بهینه سازی طراحی ایمپلنت های دندانی استفاده می شود. در این مورد، مدلهای هوش مصنوعی تخلخل، طول و قطر ایمپلنت دندانی را اصلاح میکنند که منجر به کاهش استرس در رابط ایمپلنت و استخوان و بهبود طراحی ایمپلنت دندانی میشود. از سوی دیگر، مطالعات متعدد گزارش کرده اند که مدل ها می توانند موفقیت ایمپلنت دندانی و استئواینتگراسیون را پیش بینی کنند. با این حال، داده های ورودی در میان مطالعات مختلف متفاوت بود.
سطح استخوان و مقدار استخوانی که از ایمپلنت های دندانی پشتیبانی می کند، عوامل مهمی در موفقیت درمان هستند. پیشنهاد می شود فناوری هوش مصنوعی، به ویژه DL، می تواند سطح استخوان را در تصاویر رادیوگرافی شناسایی کند. این یافته می تواند به طور قابل توجهی شکست در زمینه ایمپلنتولوژی را کاهش دهد.
احتمالاً آخرین پیشرفت هوش مصنوعی توانایی آن در شناسایی مارک های ایمپلنت دندان و مرحله درمان به طور صریح برای اطمینان از مراقبت کارآمد است. در یکی از تحقیقات Sukegawa و همکاران
دقت مدلهای DL در شناسایی مارکهای ایمپلنت دندان و مرحله درمان بر اساس فیلمهای رادیوگرافی پانورامیک بهطور شگفتآوری بالا بود. علاوه بر این، اشاره شد که یادگیری چند وظیفه ای دقت تجزیه و تحلیل را تسهیل می کند.
هوش مصنوعی در بیماری های دهان و دندان
پاتولوژی های دهان، از جمله ضایعات دهانی و بدخیمی ها، از نگران کننده ترین مشکلات دندانی هستند که نیاز به تشخیص زودهنگام دارند. امروزه، فناوری هوش مصنوعی برای کمک به تشخیص پاتولوژی های دهان پیشرفت چشمگیری داشته اس.
در مطالعه ای از فناوری هوش مصنوعی برای اشاره به سلولهای بدخیم بر اساس ویژگیهای هیستوپاتولوژیک متمایزشان استفاده میکردند، نظارت شد. این مطالعات میزان دقت بالای فناوری هوش مصنوعی را در تشخیص ضایعات مختلف دهانی گزارش کردند. از این رو، به دلیل خطر بالای سوگیری و احتمال بیش از حد برآورد دقت، نمی توان به فناوری هوش مصنوعی برای تشخیص آسیب شناسی های دهان اعتماد کرد و نیاز به پیشرفت های بیشتری دارد.
هوش مصنوعی در زمینه پروتزهای دندانی
فناوری هوش مصنوعی در زمینه پروتزهای ثابت پیشرفت زیادی کرده است. در دنیای مدرن، مدلهای هوش مصنوعی برای بهبود طرحهای روکش با سازگاری حاشیهای بهتر، پیشبینی طول عمر تاج و تطبیق رنگ استفاده میشوند.
یکی از مهم ترین دلایل ناکامی های تاج، عدم تطابق مارجین است. با تکامل فناوری هوش مصنوعی، دقت انطباق مارجینی به طور قابل توجهی افزایش یافته است. به عنوان مثال، یک مطالعه نشان داد که استفاده از هوش مصنوعی ذاتی و الگوریتمها برای ردیابی خودکار خط مارجین در ایمپلنت-اباتمنت از طریق زیر لثه میتواند تطبیق مارجین را تا ۹۶.۲ درصد بهبود بخشد. با این وجود، این یافته منحصراً مربوط به روکشهای زیرکونیایی یکپارچه بود و ممکن است برای انواع دیگر روکشها معتبر نباشد.
فناوری هوش مصنوعی نیز می تواند به عنوان یک ابزار ارزیابی مورد استفاده قرار گیرد. در یک مطالعه احتمال جدا شدن روکش های رزین کامپوزیت CAD/CAM را با استفاده از DL ارزیابی کرد. در این مطالعه، تصاویر دو بعدی گرفته شده از مدلهای استریولیتوگرافی سه بعدی از قالب اسکن شده توسط یک اسکنر دهانی سه بعدی استفاده شد. در مجموع 8640 تصویر از 24 مورد شامل 12 مورد بدون مشکل و 12 مورد با مشکل جداسازی برای آموزش سیستم جمع آوری شد. نتایج نشان داد که فناوری هوش مصنوعی عملکرد خوبی در ارزیابی احتمال دارد
جداسازی روکش های رزین کامپوزیت.
چشم انسان خطاهای بینایی زیادی دارد و به سرعت خسته می شود که می تواند فرآیند انتخاب رنگ روکش را با مشکل مواجه کند. محققان سعی کردهاند سیستمی را پیادهسازی کنند که بتواند دقت آن را در درازمدت برای چندین سال حفظ کند. خوشبختانه، در یک مطالعه، مشاهده شده است که ANN دقت بیشتری در بازتولید رنگ در فضای رنگی داده شده نسبت به رویکرد بصری سنتی ایجاد میکند.
شناسایی قوس دندانی بر اساس طبقه بندی کندی برای برنامه ریزی صحیح درمان در بیماران بی دندان ضروری است. مشاهده می شود که استفاده از ANN می تواند منجر به تشخیص سریع و دقیق شود. علاوه بر این، یک مطالعه گزارش داد که این طبقه بندی دقیق قوس دندانی بیمار در فک بالا بالاتر از فک پایین است].
لازم به ذکر است که عوارض جانبی درمان های پروتز در طولانی مدت ظاهر می شود. بنابراین، میزان موفقیت بالای فناوری هوش مصنوعی ذکر شده در مطالعات فعلی نمی تواند قابل اعتماد باشد و تحقیقات بیشتری در آینده واقعاً مورد نیاز است.
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، 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.
هوش مصنوعی در جراحی دندان
ANN نقش مهمی در جراحی های دندان ایفا کرده است. مشخص شده است که جراحیهای ارتوگناتیک میتوانند با استفاده از فناوری هوش مصنوعی به شدت متحول شوند]. به عنوان مثال، در مطالعه ای مشاهده شد که مدلهای ANN دقت نتیجه جراحی ارتوگناتیک را که توسط جراحان دهان در نظر گرفته شده بود، بهبود بخشیدند. به منظور دستیابی به این هدف، 30 تصویر صورت قبل از درمان از موارد جراحی ارتوگناتیک توسط جراحان مورد ارزیابی قرار گرفت و تصاویر صورت پیشبینیشده پس از جراحی تهیه شد. در مرحله بعد، مدلهای ANN آموزشدیده برای اصلاح نتایج پیشبینیشده پس از جراحی استفاده شد. مقایسه تصاویر واقعی صورت پس از جراحی با اصلاحات قبل و بعد از هوش مصنوعی تصاویر صورت پیش بینی شده ثابت کرد که مداخله هوش مصنوعی دقت را بیش از 80٪ افزایش می دهد. بنابراین، کاربرد هوش مصنوعی می تواند به طور برجسته بر تصمیم گیری و برنامه ریزی درمان در جراحی های ارتوگناتیک تأثیر بگذار.
با این وجود، اثربخشی جراحی ارتوگناتیک را میتوان با استفاده از تصاویر قبل و بعد از درمان بیماران با هوش مصنوعی بررسی کرد. به عنوان مثال، مطالعه ای نشان داد که مدلهای هوش مصنوعی آموزشدیده را میتوان برای امتیاز دادن به جذابیت چهره و ظاهر سنی بر اساس عکسهای قبل و بعد از درمان ارتوگناتیک از بیمار استفاده کرد. با این حال، دقت این روش ذکر نشده است. از سوی دیگر، کار دیگری که توسط همین نویسنده انجام شد نشان داد که فناوری هوش مصنوعی با روشهای آموزشی مشابه میتواند برای امتیاز دادن به جذابیت چهره در بیماران شکاف بر اساس تصاویر پیش و پس از درمان پیشانی و نمایه استفاده شود. در نهایت، نتایج ارزیابی هوش مصنوعی با رتبه بندی های انسانی مقایسه شد و هیچ تفاوت آماری مشاهده نشد.
یکی از شایع ترین عوارض جانبی کشیدن دندان مولر سوم ، پارستزی ناشی از آسیب عصب اطراف دندان است. با این حال، با تشخیص دقیق موقعیت عصب بر اساس تصاویر پانوراما بیمار، به راحتی می توان از این خطا جلوگیری کرد. علاوه بر این، سیستمهای DL در حال حاضر اغلب برای پیشبینی احتمال آسیب عصب آلوئول تحتانی در طول کشیدن دندان مولر سوم فک پایین با استفاده از تصاویر رادیوگرافی پانورامیک قبل از جراحی استفاده میشوند. به عبارت دیگر، مدلهای DL دقیقاً موقعیت عصب آلوئولار تحتانی را روی تصاویر پانوراما تشخیص میدهند. بر اساس نزدیکی عصب آلوئولار تحتانی به مولر سوم فک پایین، سیستمهای DL احتمال آسیب عصبی را در حین جراحی پیشبینی میکنند. دقت فناوری هوش مصنوعی در ارزیابی احتمال آسیب عصبی پس از کشیدن دندان 82 درصد گزارش شده است.
چندین ضایعات دهانی نیاز به جراحی های پیچیده دارند. این جراحی های گسترده ممکن است اکثریت دهان را درگیر کند و متعاقباً به ساختارهای حیاتی آسیب رسانده و آسیب جبران ناپذیری ایجاد کند. بنابراین، فناوری هوش مصنوعی به تشخیص دقیق محل ضایعات دهانی در رادیوگرافی پانورامیک قبل از جراحی و افزایش میزان موفقیت درمان کمک کرده است. در یک مطالعه، دقت هوش مصنوعی 90.36 درصد در تشخیص آملوبلاستوم و کراتوسیت های ادنتوژنیک بر روی تصاویر دندانی بود.
هوش مصنوعی در ارتودنسی
در دنیای مدرن، فناوری هوش مصنوعی ریشه در زمینه ارتودنسی دارد. به عبارت دیگر، روش های مختلف ارتودنسی به دلیل پیشرفت های هوش مصنوعی تغییر کرده اند. ردیابی و تفسیر سفالومتری یکی از حیاتی ترین مراحل در برنامه ریزی درمان ارتودنسی است که در عین حال تبدیل شده است.
پس از ظهور هوش مصنوعی. با این حال، مطالعات مختلف نتایج متناقضی را در مورد برتری هوش مصنوعی به جای تکنیک گلد استاندارد نشان می دهد. به عنوان مثال، تحقیقات انجام شده میزان دقت بالایی در کاربرد هوش مصنوعی در تفسیر سفالومتری در مقایسه با علامتگذاری و تشخیص دستی نشان داد. از سوی دیگر، مطالعه ای نشان داد که هیچ تفاوت آماری معنیداری بین گلد استاندارد انسان و پیشبینیهای هوش مصنوعی در آنالیز سفالومتری وجود ندارد.
از آنجایی که تشخیص نشانههای آناتومیک کلید موفقیت درمان ارتودنسی است، مطالعات متعدد توانایی هوش مصنوعی در تشخیص این نشانهها را در روشهای مختلف رادیوگرافی ذکر کردهاند. دقت AI در روش های مختلف رادیوگرافی در جدول 2 نشان داده شده است.
میزان دقت شناسایی دقیق نشانه آناتومیک در روش های مختلف رادیوگرافی
یکی دیگر از عناصر ضروری در طراحی یک برنامه درمانی برای یک بیمار ارتودنسی، تجزیه و تحلیل الگوهای رشد و تخمین سن بیولوژیکی است. تعیین مرحله رشد بیمار با استفاده از روش های مختلف به سرعت انجام می شود. یکی از کاربردی ترین روش ها، ارزیابی مراحل مهره های گردنی بر اساس رادیوگرافی سفالومتری جانبی است. در مطالعه ای ذکر شد که ANN می تواند مراحل مختلف رشد مهره های گردنی را از مرحله 1 تا 4 و مرحله 6 تشخیص دهد. اما بیان می شود که دقت این تکنیک در تشخیص مرحله 5 به طور قابل توجهی کاهش می یابد و ترجیح داده می شود. به جای آن از روش های دیگر استفاده کنید.
روش دیگر برای تخمین سن بیمار، شناسایی مرحله دندانی بیمار بر اساس رادیوگرافی پانورامیک است. این روش محدوده سنی احتمالی بیمار را تعیین می کند. در یک مطالعه، میزان دقت ANN، بر اساس روش بعدی، 94.15% گزارش شد.
فناوری هوش مصنوعی نیز برای پیش بینی نیازهای درمان ارتودنسی در آینده توسعه یافته است. به عنوان مثال، در یک مطالعه نشان داد که از مدلهای هوش مصنوعی میتوان برای ارزیابی نیازهای احتمالی آینده برای درمان ارتودنسی در بیماران با دندانهای دائمی استفاده کرد. برای این هدف، مدل های هوش مصنوعی با داده های به دست آمده از بیماران 14 تا 19 ساله با نیاز به درمان ارتودنسی آموزش داده شدند. متغیرهای مختلفی از جمله اورجت، اوربایت، کراس بایت و … بررسی و وارد سیستم شدند. بنابراین، این سیستم به گونه ای آموزش داده شد که متغیرهای ذکر شده را با نیازهای آتی ارتودنسی مرتبط کند و یک نتیجه قابل اعتماد ارائه دهد. در این مطالعه میزان دقت 95-93 درصد بود. علاوه بر این، در مطالعه دیگری نشان داد که روش DL همچنین میتواند نیازهای درمان ارتودنسی آینده را بر اساس ناهنجاریهای دندانی-صورتی و اکلوژن مشاهده شده در سفالوگرام بیماران ارزیابی کند. این مطالعه میزان دقت بالای 95% را نیز گزارش کرده است.
فناوری هوش مصنوعی همچنین می تواند در موارد پیچیده و شدید درمان های ارتودنسی استفاده شود.مدلهای DL میتوانند عدم تقارن فک بالا را در بیماران مبتلا به شکاف کام و لب یک طرفه در تصاویر CBCT تشخیص دهند. علاوه بر این، یک روش جدید ML را برای شناسایی تغییرات ساختار فک بالا در نهفتگی یک طرفه سگ بر اساس تصاویر CBCT معرفی کردند.
هوش مصنوعی در اندو ( درمان ریشه دندان)
از آنجایی که درمان ریشه با هدف حفظ دندان ها در موقعیت عملکردی خود و جلوگیری از هر گونه عوارض بعدی انجام می شود، پیشرفت هوش مصنوعی در این زمینه می تواند فوق العاده موثر باشد. از مزایای مکرر استفاده از هوش مصنوعی در اندودنتیکس میتوان به تجزیه و تحلیل آناتومی کانال ریشه، تشخیص شکستگیهای ریشه و ضایعات پری آپیکال، ارزیابی دقیق طول کار، پیشبینی زنده بودن سلولهای بنیادی پالپ دندان، و پیشبینی میزان موفقیت روشهای درمان مجدد اشاره کرد.
تعیین دقیق طول کار یکی از کلیدهای موفقیت آمیز درمان ریشه است. تصاویر رادیوگرافی رایج ترین روشی است که برای اندازه گیری دقیق طول کار استفاده می شود [102]. اخیراً، برخی از مطالعات گزارش دادهاند که مدلهای ANN به اندودنتیستها در اندازهگیری صحیح طول کاری با شناسایی خودکار فورامن آپیکال روی تصویر پری آپیکال کمک کردهاند. دقت مدل های ANN بین 93 تا 95 درصد بود.
یک مزیت اساسی هوش مصنوعی تشخیص ضایعات پری آپیکال و شکستگی های عمودی ریشه قبل از درمان است. اگرچه فناوری هوش مصنوعی میتواند ناهنجاریهای پری آپیکال را در روشهای مختلف رادیوگرافی شناسایی کند، نویسندگان درباره دقت این تکنیک اختلاف نظر دارند. بنابراین، کاربرد احتمالی AI برای تشخیص ضایعات پری آپیکال در آینده باید بیشتر مورد بررسی قرار گیرد. از سوی دیگر، چند مطالعه میزان دقت بالای هوش مصنوعی را در تشخیص پایه شکستگی ریشه عمودی اعلام کردند.
دندان ها آناتومی های ریشه های مختلفی را در افراد و نژادهای مختلف نشان می دهند. از این رو، آگاهی کامل از این تغییرات برای دندانپزشکان در درمان بسیار مهم است. در سال های اخیر، زیرمجموعه های مکرر هوش مصنوعی به دندانپزشکان در تشخیص بی عیب آناتومی کانال ریشه کمک کرده است کاربرد DL را برای تشخیص وجود یا عدم وجود یک ریشه اضافی در ریشه دیستال مولر اول فک پایین در تصاویر پانوراما مورد مطالعه قرار داد. گلد استاندارد در این مطالعه مشاهده و ارزیابی دندانپزشک بر اساس تصاویر CBCT بود. نتایج دقت 86.9% را در مقایسه با روش گلد استاندارد نشان داد. بنابراین، با استفاده از هوش مصنوعی، خطاهای ناشی از تشخیص اشتباه آناتومی کانال ریشه کاهش مییابد.
یک موضوع تحقیقاتی جدید که توجه زیادی را در سراسر جهان به خود جلب کرده است، پیشبینی زنده بودن سلولهای بنیادی پالپ دندان است. با توجه به توانایی سلول های بنیادی برای تمایز به سلول های مختلف، حفظ حیات این سلول ها بسیار مهم است. در مطالعه ای که توسط Bindal و همکاران انجام شد.، گزارش شده است که سیستم هوشمند هیبریدی می تواند تاثیر غلظت پلاکت ها را بر تکثیر سلول های بنیادی مشتق شده از دندان انسان به طور موثر تخمین بزند. به منظور آموزش این سیستم، از داده های جمع آوری شده از میزان زنده ماندن سلول های بنیادی پالپ دندان پس از کشت سلول های بنیادی در سه فرهنگ مختلف غنی شده با پلاکت استفاده شد.
پس از درمان ریشه، متغیرهای مکرر می توانند نتیجه را تحت تاثیر قرار دهند. اخیراً، ML برای ارزیابی متغیرهای متعدد مؤثر بر نتایج جراحی ریشه و در نهایت پیشبینی میزان موفقیت درمان استفاده شده است. متغیرهای مورد استفاده در مطالعات مختلف برای آموزش مدلهای ML عبارتند از نوع دندان، اندازه ضایعه، نوع نقص استخوان، تراکم پر شدن ریشه، طول پر کردن ریشه، و گسترش اپیکال پست، سن و جنس. نتایج این مطالعات کاربرد ML را در ارزیابی پیش آگهی درمان ریشه پیشنهاد می کند.
هوش مصنوعی در دندانپزشکی کودکان
بیماران اطفال به دلیل وجود دندان های شیری به مراقبت ها و درمان های منحصر به فردی نیاز دارند. دندانهای شیری تاجهای کوچکتری با پالپهای بزرگ دارند و ممکن است از دست رفته یا بیش از حد نگه داشته شوند و در تکامل و رویش مورد انتظار دندانهای دائمی اختلال ایجاد کنند. بنابراین، تشخیص زودهنگام مشکلات دندان های شیری بسیار مهم است.
در مطالعه ای به این نتیجه رسیدند که مدلهای ANN میتوانند برای تشخیص پوسیدگی دندان و دندانهای نهفته در روشهای مختلف تصاویر رادیوگرافی در یک بیمار کودک استفاده شوند. علاوه بر این، از رویکرد DL برای تشخیص و شماره گذاری خودکار دندان های شیری در کودکان بر اساس رادیوگرافی پانورامیک استفاده کرد. میزان دقت گزارش شده در این مطالعه 95 درصد بود.
معایب هوش مصنوعی
علیرغم مزایای ذکر شده هوش مصنوعی، باید توجه داشت که هوش مصنوعی همچنان با سه نقطه ضعف بزرگ مواجه است. اول، این فناوری جدید باید برای استفاده ساده شود. در این صورت نیاز دندانپزشکان به گذراندن دوره های آموزشی برای یادگیری کار با سیستم های هوش مصنوعی از بین می رود. دوم اینکه تجهیزات مورد نیاز از نظر اقتصادی مقرون به صرفه نیستند.
سوم، از آنجایی که عملکرد هوش مصنوعی هنوز به طور کامل شناسایی نشده است، نمی توان به نتایج ارائه شده کاملاً اعتماد کرد و یک دندانپزشک با تجربه باید بر نتایج آن نظارت کند. بنابراین، قبل از کاربرد گسترده هوش مصنوعی در دندانپزشکی، معایب ذکر شده هوش مصنوعی باید به طور موثر مدیریت شود.