עדכן רפואת שיניים - גיליון 192 יולי-אוגוסט Israel Dental Update no.192 July-August 2024

.17 מיליון ילדים סובלים ממחלת העששת בשיניים הקבועות והנשירות, 520- מחברי המאמר מציינים, כי כשני מיליארד מבוגרים ו בהתאמה. עששת דנטלית ניתנת במידה רבה, למניעה, אך אם אינה מטופלת היא מהווה נטל בריאותי רב. שכיחות עששת השיניים ממשיכה לגדול ברוב המדינות בעלות ההכנסה הנמוכה והבינונית, מצב המשפיע באופן לא פרופורציונלי על קבוצות מודרות ). יתר על כן, המרפאות ורופאי השיניים לרוב מפוזרים בצורה גיאוגרפית לא אחידה, 2022 , ומוחלשות (ארגון הבריאות העולמי ומהווים חסמי גישה לטיפול שיניים. גילוי מוקדם של עששת בשילוב עם התנהגויות היגיינה משופרות והתערבויות מניעה עשויים לעצור התפתחות של נגעים ולהפחית את זמן הטיפול והעלויות. במערך הקליני היומיומי, גילוי עששת מבוסס בראש ובראשונה על בדיקה חזותית ומישוש. עם זאת, בדיקה קלינית הינה סובייקטיבית, שכן הדיוק של אבחון עששת תלוי בניסיון של הקלינאים כמו גם במגוון גורמים קליניים. על מנת להפחית את השונות של הבדיקות החזותיות והמישוש, יש חשיבות לשיטות עזר לאבחון כגון צילום דיגיטלי. צילומי תמונות בתוך הפה נחשבים לטכניקה פשוטה ולא מייננת ומספר מחקרים הוכיחו את היתכנותם וחשיבותם ) הוצעו על מנת לסייע באבחון מצבים דנטליים. AI בתמיכה באבחון עששת. מודלים של בינה מלאכותית ( ). למידה עמוקה חרגה ML ), תת-תחום של למידת מכונה ( DL להדמיה מסתמכים על למידה עמוקה ( AI יישומים אחרונים של מגישות למידת מכונה קודמות, בעיקר על ידי החלפת תכונות של הנדסה אנוש עם רשתות עצביות בעלות קיבולת גבוהה, המאומנות ברפואת השיניים DL באמצעות כמויות גדולות של נתונים, מצב המאפשר חילוץ אוטומטי של תכונות. היישומים הראשונים של לאבחון DL התפתחו סביב ניתוח תמונות רדיוגרפיות, למשל לגילוי עששת. בסקירה שיטתית עדכנית נעשה ניתוח של השימוש ב עששת באמצעות מקורות תמונה שונים כגון צילומי רנטגן וטרנס-אילומינציה באור קרוב לאינפרא אדום. מטרה ) לאיתור נגעי עששת אך ורק באמצעות DL ושאינם DL ( AI הסקירה הביקורתית הנוכחית מתמקדת בהשוואה בין מודלים שונים של צילומים של הפה. נחקרה גם השפעת מכשירים שונים לביצוע תמונות כגון מצלמות מקצועיות, מצלמות תוך אורליות וסמארטפונים וכן נחקרה חומרת הנגע. הסקירה נועדה לטפל במגבלות קו חדש זה של מחקר ולשפוך אור על הסיכויים והאתגרים של שימוש בבינה מלאכותית בזיהוי עששת מצילומי פה לצורך הפרקטיקה הקלינית, רפואת שיניים טלפונית, וסקירה ציבורית. החוקרים העריכו מאפיינים מתודולוגיים ומדדי ביצוע של מחקרים קליניים אשר דיווחו על למידה עמוקה ואלגוריתמים אחרים של למידת מכונה. 3410 . מתוך Scopus ו- EMBASE , Medline הסיכון להטיה הוערך באמצעות כלי הערכת האיכות של מחקרים. נערך חיפוש שיטתי ב- (הממוצע ההרמוני של הדיוק והחזרה F 1 מחקרים. המדדים היו מגוונים מאוד והוערכו ברמות רבות. ציוני 19 רשומות שזוהו, נכללו F 1 אחוזים, בהתאמה. ללא קשר למשימה, ציוני 95.4-42.8- אחוזים ו 94.3-68.3 של מודל הסיווג) עבור משימות סיווג וזיהוי היו אחוזים, ועבור מצלמות סמארטפונים 78.8-87.6 אחוזים, עבור מצלמות תוך-אורליות היו 95.4-68.3 עבור מצלמות מקצועיות היו אחוזים. מחקרים מוגבלים אפשרו להעריך את ביצועי הבינה המלאכותית עבור נגעים בחומרה שונה. 80-42.8 מסקנות עשוי לספק אימות אובייקטיבי לאבחנות של רופאים ולהקל על AI החוקרים מסכמים כי זיהוי אוטומטי של עששת באמצעות התקשורת בין המתרפא לבין מטפל וברפואת השיניים הטלפונית.

Moharrami M, Farmer J, Singhal S, et al. Detecting dental caries on oral photographs using artificial intelligence: A systematic review. Oral Diseases 2024; 30: 1765-1783

50