مطالعه پتانسیل هوش مصنوعی را برای شناسایی خودکار پاتولوژی های پریودنتال نشان می دهد

بر اساس تحقیقات ارائه شده در EuroPerio10، کنگره پیشرو جهان در پریودنتولوژی و دندانپزشکی ایمپلنت که توسط فدراسیون اروپایی پریودنتولوژی (EFP) سازماندهی شده است، یک الگوریتم یادگیری عمیق با موفقیت بیماری پریودنتال را از رادیوگرافی دوبعدی بایت وینگ تشخیص می دهد.

مطالعه ما پتانسیل هوش مصنوعی (AI) را برای شناسایی خودکار آسیب شناسی های پریودنتال نشان می دهد که در غیر این صورت ممکن است نادیده گرفته شوند. این می‌تواند با اجتناب از ارزیابی‌های تکراری، قرار گرفتن در معرض پرتو را کاهش دهد، از پیشرفت بی‌صدا بیماری پریودنتال جلوگیری کند و درمان زودهنگام را امکان‌پذیر کند.»


دکتر بوراک یاووز، نویسنده مطالعه، دانشگاه اسکی شهیر عثمانگازی، ترکیه

مطالعات قبلی استفاده از هوش مصنوعی را برای تشخیص پوسیدگی، شکستگی ریشه و ضایعات آپیکال بررسی کرده‌اند، اما تحقیقات محدودی در زمینه پریودنتولوژی وجود دارد. این مطالعه توانایی یادگیری عمیق، نوعی هوش مصنوعی را برای تعیین وضعیت پریودنتال در رادیوگرافی بایت وینگ ارزیابی کرد.

در این مطالعه از 434 رادیوگرافی بایت وینگ از بیماران مبتلا به پریودنتیت استفاده شد. پردازش تصویر با معماری u-net انجام شد، یک شبکه عصبی کانولوشن که برای قطعه‌بندی سریع و دقیق تصاویر استفاده می‌شود. یک پزشک متخصص با تجربه نیز تصاویر را با استفاده از روش تقسیم بندی ارزیابی کرد. ارزیابی‌ها شامل از دست دادن کل استخوان آلوئولی اطراف دندان‌های پایین و بالایی، از دست دادن استخوان افقی، از دست دادن عمودی استخوان، نقص فورکاسیون، و جرم اطراف دندان‌های فک بالا و فک پایین بود.

شبکه عصبی 859 مورد از دست دادن استخوان آلوئولی، 2215 مورد از دست دادن استخوان افقی، 340 مورد از دست دادن استخوان عمودی، 108 مورد نقص فورکاسیون و 508 مورد جرم دندانی را شناسایی کرد. موفقیت الگوریتم در شناسایی عیوب با ارزیابی پزشک مقایسه شد و به عنوان حساسیت، دقت و امتیاز F1 که میانگین وزنی حساسیت و دقت است گزارش شد. برای حساسیت، دقت و امتیاز F1، 1 بهترین مقدار و 0 بدترین است.

READ  شامپو و نرم کننده نارگیل Vita Coco

نتایج حساسیت، دقت و امتیاز F1 برای از دست دادن کل استخوان آلوئولی به ترتیب 1، 0.94 و 0.96 بود. مقادیر متناظر برای از دست دادن استخوان افقی به ترتیب 1، 0.92 و 0.95 بود، در حالی که AI نتوانست از دست دادن عمودی استخوان را شناسایی کند. برای جرم دندانی، نتایج حساسیت، دقت و امتیاز F1 به ترتیب 1.0، 0.7 و 0.82 و برای نقص فورکاسیون مقادیر مربوطه به ترتیب 0.62، 0.71 و 0.66 بود.

دکتر یاووز گفت: “مطالعه ما نشان می دهد که هوش مصنوعی قادر است انواع بسیاری از نقایص را از تصاویر دوبعدی که می تواند به تشخیص پریودنتیت کمک کند، تشخیص دهد. برای افزایش موفقیت مدل ها و گسترش آنها، مطالعات جامع تری بر روی مجموعه داده های بزرگتر مورد نیاز است. برای رادیوگرافی سه بعدی استفاده کنید.”

وی در پایان گفت: این مطالعه نگاهی اجمالی به آینده دندانپزشکی ارائه می دهد، جایی که هوش مصنوعی به طور خودکار تصاویر را ارزیابی می کند و به متخصصان دندانپزشکی کمک می کند تا بیماری را زودتر تشخیص دهند و درمان کنند.