עדכן רפואת שיניים - גיליון 189 ינואר-פברואר Israel Dental Update no.189 January-February 2024

.2 הקמת מודל למידה עמוקה חדשני לאיתור פרי-אימפלנטיטיס

לדברי מחברי המאמר, טיפולי השתלות השיניים הפכו לפופולריים וגדלו באופן משמעותי בשל הטכנולוגיה, החומרים והעיצוב החדשניים שלהם. כתוצאה מכך, השתלת שיניים הינה הטיפול המועדף על מתרפאים עם חסר שיניים, והן משפרות משמעותית את איכות חייהם. עם זאת, סיבוכים רבים עדיין מתרחשים גם חמש שנים לאחר ביצוע השתל והם עלולים להוביל לכשל בשתל. סיבוכי השתלים מסווגים לשתי קטגוריות: מכאניות וביולוגיות. סיבוכים מכאניים כוללים שברים או התרופפות ברגים, כמו גם שברי שתלים. מוקוזיטיס ופרי-אימפלנטיטיס הם חלק מהסיבוכים הביולוגיים המתרחשים סביב השתל. מחקר מהעבר הראה, כי אחוזים והיא מתרחשת כתגובה של הרקמות להיווצרות הרובד, בדומה למחלות 40~10 השכיחות של פרי-אימפלנטיטיס היא בין החניכיים. התסמינים הראשוניים אינם ברורים וניתן להתעלם מהם או לאבחן אותם בצורה שגויה, והם עלולים להוביל לספיגת עצם מתמשכת ולהפרדה של ממשק השתל-עצם, וכתוצאה מכך בסופו של דבר להתרופפות או לאובדן השתל ואף למחלות מערכתיות. לכן לדעת המחברים, אבחון מדויק בשלב מוקדם וטיפול מתאים בזמן הינם חיוניים לשליטה בפרי-אימפלנטיטיס. ההערכה הקלינית של פרי-אימפלנטיטיס כוללת שימוש במכשור ידני לבדיקת החניכיים לשם מדידת עומק כיס החניכיים ודימום, כמו גם הדמיית ), מה שהופך את ההדמיה לכלי חיוני להערכת טווח אובדן העצם סביב השתל במקרים MBL רנטגן לאיתור אובדן העצם השולית ( של פרי-אימפלנטיטיס. הפכו את האבחנה הסופית של AI ) מתפתח במהירות ויישומים של מאגרי תמונות רדיולוגיים במערכות AI תחום הבינה המלאכותית ( ), שבה מודלים DL , חלה פריצת דרך גדולה בטכנולוגיה של הבינה עם למידה עמוקה ( 2010 מחלות שונות ליעילה ומדויקת יותר. בשנת ) לביצוע משימות סיווג לשימוש במערכי נתונים גדולים לביצוע אלגוריתמים GPUs של למידה עברו משימוש ביחידות עיבוד גרפיות ( ) אומנו להשתמש בקונבולציה על מנת לחלץ CNNs לאבחונים קליניים, חיזוי מחלות ומתן המלצות לטיפול. רשתות עצביות מתקפלות ( מופעל בהצלחה על סוגים שונים של CNN מאפיינים של תמונה, מה שמאפשר סיווגים וחיזויים מהירים ויעילים. בתחומי הבריאות, הדמיות רפואיות כדי לפתור בעיות שונות. לדוגמה, ניתן באמצעותו להעריך באופן אוטומטי את הצורה והמיקום של גידולי שד ממאירים בתמונות ממוגרפיה ולזהות רטינופתיה סוכרתית בבדיקות עיניים. ברפואת השיניים יושמו בשנים האחרונות אלגוריתמים שונים, תוך שימוש בתמונות רנטגן לאבחונים, תחזיות טיפול, סיווג, ועוד. עם זאת, עד כה, רק מספר מחקרים זמינים כדי לזהות פרי-אימפלנטיטיס בתמונות רנטגן דנטליות, ואף מחקר לא חקר את הקשר בין היקף הפרי-אימפלנטיטיס לבין אובדן העצם השולית. DL באמצעות מטרה המחקר הנוכחי בדק את השימוש בהדמיה פריאפיקלית לזיהוי וסיווג פרי-אימפלנטיטיס. המטרה העיקרית הייתה להבדיל את מידת אובדן העצם השולית של השתלים וגם לסווג את חומרת הפרי-אימפלנטיטיס. זה הושג באמצעות זיהוי אוטומטי, חילוץ תכונות וסיווג, המאפשר אימון של מערכי נתונים רפואיים בקנה מידה קטן באמצעות למידה עמוקה וכתוצאה מכך תוצאות טובות של סיווג וחיזוי. ) של מערכי n =100( ) וניסוי n =100( ), תיקוף n =600( צילומי רנטגן פרי-אפיקליים לאימון 800 החוקרים חילקו מערך נתונים של ) שימש לזיהוי מצבי פרי-אימפלנטיטיס. YOLOv 7( נתונים של שתלים ששימשו ללמידה עמוקה. אלגוריתם של זיהוי אובייקטים ביצועי הסיווג של המודל הוערכו באמצעות מדדים, כולל הספציפיות, הדיוק (אשר מכמת את חלקן של תחזיות "חיוביות" נכונות (המשלב את הדיוק והריקול תוך F 1 שנעשו על ידי המודל), הריקול (מודד את שיעור הדגימות החיוביות שהמודל מזהה נכון) וציון 94.44 אחוז, הריקול היה 100 אחוז, הדיוק היה 100 שימוש בממוצע ההרמוני שלהם). בהתחשב בביצועי הסיווג, הספציפיות הייתה אחוזים. 97.10 היה F 1 אחוז וציון מסקנות לדברי החוקרים, תוצאות המחקר העלו שניתן לזהות שתלים בצילומים רדיוגרפיים פרי-אפיקליים באמצעות זיהוי אובייקטים מבוסס למידה עמוקה. מערכת זיהוי זו עשויה לעזור לרופאי השיניים ומתרפאים הסובלים מבעיות בשתלים. הם מסיקים שמודל היה הדיוק הגבוה ביותר ומהירות בזיהוי YOLOv 7- יכול להקל על זיהוי אובדן העצם השולית מסביב לשתלים, בידיעה כי ל CNN ה עצמים בזמן אמת. מחקר נוסף לאיתור מערכות השתלים ואובדן העצם ישכלל את מערכות הזיהוי באמצעות הבינה המלאכותית אשר יכולה לעזור בניטור מצבו של המתרפא בצורה מדויקת יותר וביעילות רבה.

WF Lee, MY Day, CY Fang, et al. Establishing a novel deep learning model for detecting peri- implantitis. J Dent Sci 2024. doi.org/10.1016/j. jds.2023.11.017

16