מחברי המאמר מציינים כי בינה מלאכותית (AI) ואפליקציות מתת-התחום של למידה עמוקה נכנסו במהירות לזירה הרפואית. במיוחד הפעולה של ניתוח תמונה באמצעות רשתות נוירוניות קונבולוציוניותCNNs) ) הוכחה כבעלת פוטנציאל להגדלת האמינות והדיוק של הרופאים. רשתות אלו מהוות אלגוריתם למידה עמוקה, שמסוגל לקלוט תמונת קלט, להקצות חשיבות (משקלים והטיות ניתנות ללמידה) להיבטים/אובייקטים שונים בתמונה, ולהבדיל ביניהם. CNNs לומדים את הדפוסים הסטטיסטיים הטבועים 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 כי CNN מסוגל להניב דיוקי אבחון עדיפים לשם גילוי נגעי עששת על רופאי שיניים בודדים. זהו ממצא אשר אושר בניסוי מבוקר אקראי. במחקר של מודלים לגילוי עששת בצילומי רנטגן, CNN נמצא חסכוני, והמודל על שם מרקוב שימש לעקוב אחר נגעים מזוהים (או לא מזוהים) ומטופלים (או לא מטופלים) במהלך חיי המתרפאים. הם טוענים כי כל הצדדים המעורבים בטיפול (הרופא המתרפא ומממני הטיפול) מעוניינים בערך של המידע (VOI). ניתוחי VOI מכמתים את העלויות של קבלת החלטה שגויה (יותר 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.
עבור יישומי AI, המקור העיקרי לאי ודאות נובע מביצועי האבחון של המערכת. מקורות נוספים הם עלויות לא ודאיות או פרופיל הסיכון של אוכלוסיית היעד הספציפית. הגדלת כמות הנתונים שמודל AI מאומן עליהם נוטה להגביר את ביצועי האבחון שלו, ובמקביל אפשר היה לצפות שזה יפחית את אי הוודאות סביב הערכת הביצועים. ניתן להניח שהשפעות אלו שונות בקבוצות סיכון שונות או קשורות לפרמטרים לא בטוחים אחרים (כגון העלויות של AI שעשויות לגדול אם ההכשרה זקוקה למשאבים רבים יותר).
מטרה
המחקר הנוכחי נעשה על מנת לכמת את ערך הנתונים המשמשים לאימון AI לשם גילוי עששת בצילומי שיניים וגם להערכת ה-VOI של הידע לגבי העלויות המדויקות של ה-AI כמו גם לגבי פרופיל הסיכון לעששת של אוכלוסיית היעד.
החוקרים העריכו כיצד הגדלת מערך הנתונים המשמש לאימון של בינה מלאכותית לזיהוי נגעי עששת בצילומי נשך משפיעה על העלות-תועלת, וגם קבעו את ערך המידע על ידי הפחתת אי הודאות סביב פרמטרים אחרים של קלט (כלומר, העלויות של AI ופרופיל סיכון העששת של האוכלוסייה). הם השתמשו בקונבולוציה של רשת עצבית ואימנו אותה על 10, 25, 50 או 100 אחוזים ממערך נתונים מסומן המכיל 29,011 שיניים ללא נגעי עששת ו-19,760 שיניים עם עששת הנובעים מצילומי נשך. הם השתמשו 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 שימש דגם מרקוב, המאפשר לעקוב אחר שיניים אחוריות לאורך החיים של בן 12 והופעלו מיקרוסימולציות של מונטה קרלו. עם כמות הולכת וגדלה של נתונים המשמשים לאימון רגישות ה-AI וחוסר לינאריות גדלה באופן ספציפי, להגדלת מערך הנתונים מ-10 ל-25 אחוזים הייתה ההשפעה הגדולה ביותר על הדיוק, וכתוצאה מכך על העלות-תועלת. בתרחיש מקרה הבסיס, AI היה יעיל יותר (החזקת השיניים בממוצע [2.5%-97.5%] 62.8 [59.2-65.5] שנים) ופחות יקר (378 [499-284] יורו) מאשר רופאי השיניים ללא AI (60.4 [64.4-55.8] שנים; 419 [593-270] יורו), עם אי ודאות ניכרת. הערך הכלכלי של הפחתת אי הוודאות סביב הדיוק או העלויות של 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