עדכן רפואת שיניים - גיליון 187 ספטמבר-אוקטובר Israel Dental Update no.187 September-October 2023

.6 בינה מלאכותית לגילוי עששת ) ואפליקציות מתת-התחום של למידה עמוקה נכנסו במהירות לזירה הרפואית. AI מחברי המאמר מציינים כי בינה מלאכותית ( ) הוכחה כבעלת פוטנציאל להגדלת האמינות CNNs במיוחד הפעולה של ניתוח תמונה באמצעות רשתות נוירוניות קונבולוציוניות ( והדיוק של הרופאים. רשתות אלו מהוות אלגוריתם למידה עמוקה, שמסוגל לקלוט תמונת קלט, להקצות חשיבות (משקלים לומדים את הדפוסים הסטטיסטיים הטבועים CNNs והטיות ניתנות ללמידה) להיבטים/אובייקטים שונים בתמונה, ולהבדיל ביניהם. בתמונה על ידי עיכול חוזר של זוגות תמונות ותוויות תמונה (לדוגמה, תמונה זו מכילה פתולוגיה מסוימת), עם תוויות המסופקות בדרך כלל על ידי מומחי רפואה, ובסופו של דבר מסוגלים להעריך נתונים בלתי נראים. במחקר אבחון מדויק שנערך בעבר נמצא מסוגל להניב דיוקי אבחון עדיפים לשם גילוי נגעי עששת על רופאי שיניים בודדים. זהו ממצא אשר אושר בניסוי מבוקר CNN כי נמצא חסכוני, והמודל על שם מרקוב שימש לעקוב אחר נגעים CNN אקראי. במחקר של מודלים לגילוי עששת בצילומי רנטגן, מזוהים (או לא מזוהים) ומטופלים (או לא מטופלים) במהלך חיי המתרפאים. הם טוענים כי כל הצדדים המעורבים בטיפול (הרופא מכמתים את העלויות של קבלת החלטה שגויה (יותר VOI ). ניתוחי VOI המתרפא ומממני הטיפול) מעוניינים בערך של המידע ( כסף שהושקע מהנדרש ו/או תועלת בריאותית נמוכה יותר מהאפשרי) עקב אי ודאות, כלומר, הם מתרגמים אי ודאות לערך כספי ומאפשרים לכמת את הערך של מידע נוסף על מנת להפחית את אי הוודאות הזו. , המקור העיקרי לאי ודאות נובע מביצועי האבחון של המערכת. מקורות נוספים הם עלויות לא ודאיות או פרופיל AI עבור יישומי מאומן עליהם נוטה להגביר את ביצועי האבחון שלו, AI הסיכון של אוכלוסיית היעד הספציפית. הגדלת כמות הנתונים שמודל ובמקביל אפשר היה לצפות שזה יפחית את אי הוודאות סביב הערכת הביצועים. ניתן להניח שהשפעות אלו שונות בקבוצות סיכון שעשויות לגדול אם ההכשרה זקוקה למשאבים רבים יותר). AI שונות או קשורות לפרמטרים לא בטוחים אחרים (כגון העלויות של מטרה VOI , לשם גילוי עששת בצילומי שיניים וגם להערכת ה- AI המחקר הנוכחי נעשה על מנת לכמת את ערך הנתונים המשמשים לאימון כמו גם לגבי פרופיל הסיכון לעששת של אוכלוסיית היעד. AI של הידע לגבי העלויות המדויקות של ה החוקרים העריכו כיצד הגדלת מערך הנתונים המשמש לאימון של בינה מלאכותית לזיהוי נגעי עששת בצילומי נשך משפיעה על AI העלות-תועלת, וגם קבעו את ערך המידע על ידי הפחתת אי הודאות סביב פרמטרים אחרים של קלט (כלומר, העלויות של אחוזים 100 או 50 ,25 ,10 ופרופיל סיכון העששת של האוכלוסייה). הם השתמשו בקונבולוציה של רשת עצבית ואימנו אותה על שיניים עם עששת הנובעים מצילומי נשך. הם השתמשו 19,760- שיניים ללא נגעי עששת ו 29,011 ממערך נתונים מסומן המכיל במודלים כלכליים בריאותיים ובמסגרת אנליטית מבוססת על מנת לכמת את העלות-תועלת וערך המידע ואימצו נקודת מבט מעורבת של תשלום ציבורי-פרטי בשירותי הבריאות הגרמניים; התוצאה הבריאותית הייתה שנים של קיום השיניים בפה. במחקר והופעלו מיקרוסימולציות של מונטה קרלו. עם 12 שימש דגם מרקוב, המאפשר לעקוב אחר שיניים אחוריות לאורך החיים של בן 10- וחוסר לינאריות גדלה באופן ספציפי, להגדלת מערך הנתונים מ AI כמות הולכת וגדלה של נתונים המשמשים לאימון רגישות ה- היה יעיל AI אחוזים הייתה ההשפעה הגדולה ביותר על הדיוק, וכתוצאה מכך על העלות-תועלת. בתרחיש מקרה הבסיס, 25- ל 60.4( AI ] יורו) מאשר רופאי השיניים ללא 499-284[ 378( [ שנים) ופחות יקר 59.2-65.5] 62.8 יותר (החזקת השיניים בממוצע ] יורו), עם אי ודאות ניכרת. הערך הכלכלי של הפחתת אי הוודאות סביב הדיוק או העלויות של 593-270[ 419 ; ] שנים 64.4-55.8[ בינה מלאכותית היה מוגבל, בעוד שהמידע על פרופיל הסיכון של האוכלוסייה היה רלוונטי יותר. מסקנות החוקרים קובעים, כי בעת פיתוח בינה מלאכותית בשטח רפואת השיניים, בחירות מושכלות לגבי גודל מערך הנתונים עשויות להיות מומלצות, ומחקר לקראת יישום אינדיבידואלי של בינה מלאכותית לגילוי עששת נראה מוצדק על מנת לייעל את העלות-תועלת.

Schwendicke F, de Oro JCG, Cantu AG, et al. Artificial intelligence for caries detection: Value of data and information. J Dent Res 2022; 101(11): 1350-1356

26