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.