Mesterséges intelligencia a fogorvoslásban

Hogyan alkalmazzák a szakemberek?

A mesterséges intelligencia átalakítja az egészségügyet, lehetővé téve a gépek számára, hogy olyan feladatokat végezzenek, amelyek korábban kizárólag az emberekre voltak jellemzőek. A mesterséges intelligencia fejlődése számos előnnyel jár, beleértve a szövődmények csökkenését, a jobb életminőséget, a jobb döntéshozatalt és a szükségtelen eljárások csökkenését. Az orvostudományban és a fogászatban az AI döntő szerepet játszik a diagnózis pontosságának javításában és az ellátás átalakításában. A fogászatban már most is használják a struktúrák azonosítására, a betegségek diagnosztizálására és a kezelési eredmények előrejelzésére, és egyre nagyobb jelentőséggel bír a fogászati oktatásban és a laboratóriumokban. Áttekintésünk a mesterséges intelligencia jelenlegi és lehetséges alkalmazásait vizsgálja a fogászati gyakorlatban.

Mi az a mesterséges intelligencia?

A mesterséges intelligencia (AI) a számítástechnika egyik ága, amely intelligens entitások létrehozására összpontosít, általában szoftverek formájában. Hagyományosan a mesterséges intelligencia rendszerek kézzel kidolgozott szabályokat használtak az egyes feladatok megoldására, ami emberi szakértelmet és finomhangolást igényelt. A modern mesterséges intelligencia, különösen a gépi tanulás (Machine learning – ML) és a mélytanulás (Deep learning – DL) azonban fejlődött.

Az ML lehetővé teszi a rendszerek számára, hogy előzetes tudás vagy kézzel kidolgozott szabályok nélkül tanuljanak meg intelligens feladatokat. A nagy adathalmazokból képzéssel mintákat azonosít, és a célok elérése érdekében optimalizálja a hangolható függvényeket. A DL ezt továbbfejlesztve egymásra épülő, összetehető minták hierarchiáját hozza létre, ami nagyobb teljesítményű rendszerekhez vezet.

A DL-algoritmusok egyik népszerű osztálya a mesterséges neurális hálózat (Artificial neural network – ANN), amely rétegekben összekapcsolt neuronokból áll. A konvolúciós neurális hálózatok (Convolutional neural networks – CNN), az ANN egyik alosztálya, a digitális jelek feldolgozásához ablakcsúsztatási technikát használó képosztályozási feladatokban jeleskedik.

Az orvostudományban és a fogászatban a CNN-eket széles körben használják képfelismerésre és osztályozásra. Az orvosi képek és jelek elemzésében rendkívül hatékonynak bizonyultak, forradalmasítva az egészségügyi alkalmazásokat.

Az MI klinikai alkalmazása a fogászatban

Radiológia:

A CNN-ek ígéretes képességet mutatnak az anatómiai struktúrák felismerésében és azonosításában. Például a periapikális röntgenfelvételekről 95,8-99,45%-os pontossággal képesek azonosítani a fogakat, ami majdnem összehasonlítható a klinikai szakértőkével (99,98%).

A fogszuvasodás felismerésében és diagnosztizálásában a CNN-ek szintén sikeresek voltak. 3000 hátsó fog periapikális röntgenfelvételén 75,5-93,3%-os pontosságot és 74,5-97,1%-os érzékenységet értek el, jelentősen felülmúlva a klinikusok által csak röntgenfelvételek alapján végzett diagnosztikát, ahol az érzékenység 19% és 94% között változott. A mély CNN-ek nagy potenciállal rendelkeznek a fogszuvasodás diagnózisának javításában, mivel jobb érzékenységet és gyorsaságot kínálnak hatékony eszközként ezen a területen.

Fogszabályozás

Az ANN-ek jelentős potenciállal rendelkeznek a klinikai döntéshozatal segítésében, különösen a fogszabályozási kezelésekben. A pontos tervezés elengedhetetlen a kiszámítható eredmények eléréséhez, de a foghúzással kapcsolatos döntéseket alaposan meg kell fontolni, mielőtt visszafordíthatatlan beavatkozásokat kezdeményeznénk.

Ennek a folyamatnak a segítésére ANN-t alkalmaztunk, hogy meghatározzuk a foghúzás szükségességét az ortodontiai kezelés előtt, malocclusio-s betegeknél. A több klinikai mutatóval konstruált négy ANN lenyűgöző, 80-93%-os pontosságot mutatott annak megállapításában, hogy szükséges-e foghúzás a betegek malocclusiojának kezeléséhez.

Parodontológia

Az Amerikai Parodontológiai Akadémia 1999-es osztályozása a parodontitis két klinikai típusát ismeri: az agresszív (AgP) és a krónikus (CP) formát. Ezek megkülönböztetése a betegség összetett természete miatt kihívást jelent, és egyetlen teszt sem képes erre hatékonyan. Papantanopoulos és munkatársai azonban ANN-t használtak az AgP és a CP közötti különbségtételre a betegeknél olyan immunológiai paraméterek, mint a leukociták, interleukinok és IgG antitesttiterek felhasználásával.

Az ANN 90-98%-os pontosságot ért el a betegek AgP vagy CP kategóriába sorolásában. A legpontosabb előrejelzést egy olyan ANN adta, amely olyan bemeneti adatokat vett figyelembe, mint a monocita, eozinofil, neutrofil szám és a CD4+/CD8+ T-sejtek aránya. A tanulmány bebizonyította, hogy az ANN-ek könnyen elérhető paraméterek, például a perifériás vérben lévő leukocitaszám alapján pontosan diagnosztizálhatják az AgP-t vagy a CP-t.

Különböző nem sebészeti és sebészeti módszerek léteznek a periodontálisan veszélyeztetett fogak (PCT) és a tartószerkezetek kezelésére. A kezelés fejlődése ellenére a PCT diagnosztizálása és prognózisának előrejelzése továbbra is kihívást jelent, és gyakran empirikus bizonyítékokra támaszkodik.

Lee és munkatársai a mély CNN algoritmusokban rejlő lehetőségeket vizsgálták a PCT diagnosztizálására és előrejelzésére. A CNN-algoritmus 76,7-81,0%-os diagnosztikai pontosságot ért el, és 73,4-82,8%-os pontossággal jósolta meg a kivonás szükségességét. A pontosságban fogtípusonként különbségek voltak megfigyelhetők, a premolárisok (82,8%) pontosabban diagnosztizálták a PCT-t, mint a molárisok (73,4%), ami valószínűleg az utóbbiak összetett anatómiájának köszönhető, több gyökérrel.

Endodontia

A mandibuláris molárisok általában hasonló gyökércsatorna-konfigurációval rendelkeznek, de előfordulhatnak atipikus eltérések is. Az endodontiai terápiás eredmények javítása és a morfológiai eltérések kezelése érdekében a kúpos sugárzású komputertomográfia (CBCT) a magasabb sugárdózis ellenére az arany standard. Ennek kiküszöbölésére az adatok osztályozására és az első mandibuláris moláris disztális gyökerében lévő extra csatornák felismerésére CNN segítségével mesterséges intelligenciát vezettek be. A CNN viszonylag magas, 86,9%-os pontosságot ért el, de a klinikai integráció során olyan kihívásokkal kell szembenéznie, mint a képek manuális szegmentálása, ami időigényes, valamint a megfelelő méretű képek szükségessége, hogy a vizsgált objektumra fókuszáljanak, miközben a releváns információkat rögzítik.

 Orális patológia

A szájüregi elváltozások korai felismerése és pontos diagnózisa kulcsfontosságú a fogorvosi rendelőkben, különösen azért, mert egyes elváltozások rákot megelőző vagy rákos elváltozások lehetnek. A CNN ígéretes segédeszköznek bizonyult a fej- és nyaki rákos elváltozások diagnosztizálásában, mivel 78-81,8%-os specificitást és 80-83,3%-os pontosságot mutatott, ami a szakorvosokéhoz (83,2% és 82,9%) hasonló.

Egy tanulmányban egy CNN-algoritmus sikeresen megkülönböztette a hasonló kinézetű, különböző klinikai tulajdonságokkal rendelkező maxilláris tumorokat: az ameloblasztómákat és a keratocisztás odontogén tumorokat. Az algoritmus 81,8%-os specificitást és 83,3%-os pontosságot ért el, hasonlóan a specialistákéhoz (81,1% és 83,2%). Figyelemre méltó, hogy a CNN drámaian csökkentette a diagnosztikai időt, hiszen mindössze 38 másodperc alatt ért el hasonló eredményt, míg a szakemberek átlagosan 23,1 percet vettek igénybe.

A mesterséges intelligencia kihívásai

A mesterséges intelligencia rendszerek egészségügyi ellátásban történő bevezetése jelentős kihívásokkal néz szembe a klinikai adatok kezelése és megosztása terén. A személyes betegadatok elengedhetetlenek az AI-algoritmusok képzéséhez és javításához, de a magánélet védelmével kapcsolatos aggályok miatt a szélesebb körű terjesztés előtt anonimizálásra van szükség.

A biztonsági kérdések szintén aggodalomra adnak okot, és az AI-algoritmusok minőségének ellenőrzésére mechanizmusokat kell bevezetni. A nem egyértelmű elszámoltathatóság kérdéseket vet fel azzal kapcsolatban, hogy ki a felelős az AI-technológia által okozott nem szándékos következményekért.

A mesterséges intelligencia algoritmusok és adatok átláthatósága elengedhetetlen a pontos előrejelzésekhez. A rosszul címkézett adatkészletek rosszabb eredményekhez vezethetnek, és az egészségügyi szakembereknek meg kell érteniük és meg kell védeniük az AI-rendszerek döntéseit. Az AI-technológia értelmezhetősége továbbra is jelentős probléma, emiatt számottevő előrelépésre van szükség ahhoz, hogy bizonyos algoritmusok átlátható módon tudjanak klinikai diagnózisokat felállítani.

A BIONIKA szívesen fejleszt ki Önnel közösen új rendszereket, akár a mesterséges intelligencia alkalmazásával. Lépjen velünk kapcsolatba:

Források:

• Ding, H., Wu, J., Zhao, W., Jukka Pekka Matinlinna, Burrow, M.F. and James Kit-Hon Tsoi (2023). Artificial intelligence in dentistry—A review. [online] 4. doi:https://doi.org/10.3389/fdmed.2023.1085251.

• ‌Agrawal, P. and Pradnya Nikhade (2022). Artificial Intelligence in Dentistry: Past, Present, and Future. [online] doi:https://doi.org/10.7759/cureus.27405.

• ‌Dr Ahmad Al-Hassiny (2023). The Role of AI in Dentistry – Institute of Digital Dentistry. https://instituteofdigitaldentistry.com/news/the-role-of-ai-in-dentistry/

• Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018;2(10):719-31.

• Topol EJ. Deep medicine: how artificial intelligence can make healthcare human again. 1st ed. New York: Basic Books; 2019.

• Russell SJ, Norvig P. Artificial intelligence: a modern approach. 3rd ed. Hoboken, N.J.: Prentice Hall; 2010.

• Muller J, Massaron L. Artificial intelligence for dummies. Hoboken, N.J.: John Wiley & Sons; 2018.

• James G, Witten D, Hastie T, Tibshirani R. An introduction to statistical learning with applications in R. New York: Springer; 2013.

• Goodfellow I, Bengio Y, Courville A. Deep learning. 1st ed. Cambridge, Mass.: MIT Press; 2016.

• Murphy KP. Machine learning: a probabilistic perspective. Cambridge, Mass.: MIT Press, 2012.

• Ferro AS, Nicholson K, Koka S. Innovative trends in implant dentistry training and education: a narrative review. J Clin Med. 2019;8(10):1618.