|
کاربرد هوش مصنوعی در تشخیص پوسیدگی دندان: مرور پیشرفت‌ها و چالش‌ها
|
میترا منتظرلطف   ، مهرداد حسینی شکیب* ، رضا رادفر ، مینا خیام زاده |
| ، mehrdad.shakib@kiau.ac.ir |
|
|
چکیده: (15 مشاهده) |
سابقه و هدف: پوسیدگی دندان شایع‌ترین بیماری مزمن جهانی است که نیازمند تشخیص زودهنگام برای پیشگیری از درمان‌های تهاجمی است. روش‌های سنتی تشخیص محدودیت‌هایی دارند، به‌ویژه در تشخیص ضایعات اولیه. هدف این مطالعه بررسی پیشرفت‌ها و چالش‌های کاربرد هوش مصنوعی در تشخیص پوسیدگی دندان است.
مواد و روش ها: مرور روایی مقالات منتشر شده بین سال‌های 2015-2025 در پایگاه‌های داده معتبر علمی شامل PubMed، Scopus، Science Direct، IEEE Xplore، Web of Science و Google Scholar انجام شد. کیفیت مطالعات با ابزار QUADAS-2 ارزیابی و داده‌ها بر اساس روش‌های هوش مصنوعی، نوع تصویربرداری و معیارهای عملکرد تحلیل شدند.
یافته‌ها: شبکه‌های عصبی کانولوشن (CNN) و مشتقات آن مانند U-Net، Mask R-CNN و DenseNet، پرکاربردترین الگوریتم‌ها در تشخیص پوسیدگی هستند. دقت تشخیصی این سیستم‌ها در بسیاری موارد برابر یا بهتر از متخصصان دندانپزشکی بوده، به‌ویژه در تشخیص ضایعات اولیه. عملکرد هوش مصنوعی در انواع مختلف تصویربرداری دندانی از 71 درصد تا 99/2درصد متغیر بود.
نتیجه‌گیری: هوش مصنوعی پتانسیل قابل توجهی برای تحول در تشخیص پوسیدگی دندان دارد، به‌ویژه در شناسایی ضایعات اولیه که برای مداخلات پیشگیرانه غیرتهاجمی حیاتی است. بهترین رویکرد، "هوش مصنوعی کمکی" است که به عنوان مکمل قضاوت بالینی انسان عمل می‌کند و نه جایگزین آن. چالش‌های اصلی شامل محدودیت‌های مجموعه داده، عدم استانداردسازی روش‌ها و گزارش‌دهی، مشکلات ادغام در گردش کار بالینی، نیاز به شفافیت و قابلیت توضیح، و مسائل اخلاقی-قانونی است. جهت‌گیری‌های آینده شامل توسعه مجموعه داده‌های بزرگتر و متنوع‌تر، رویکردهای چندمدلی، بهبود روش‌های توضیح مدل‌ها، انجام مطالعات بالینی طولی و توسعه استانداردهای مناسب است |
|
| واژه‌های کلیدی: هوش مصنوعی، پوسیدگی دندان، یادگیری عمیق، رادیوگرافی دندان، شبکه عصبی کانولوشن |
|
|
متن کامل [PDF 714 kb]
(7 دریافت)
|
|
نوع مطالعه: مروری |
موضوع مقاله:
بیماری دهان
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
