מחברי המאמר מציינים כי כשני מיליארד מבוגרים ו-520 מיליון ילדים סובלים
ממחלת העששת בשיניים הקבועות והנשירות, 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 אשר משפיע באופן לא פרופורציונלי על קבוצות מודרות ומוחלשות (ארגון הבריאות העולמי, 2022). יתר על כן, המרפאות ורופאי השיניים לרוב מפוזרים בצורה גיאוגרפית לא אחידה, 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 לטכניקת פשוטה ולא מייננת ומספר מחקרים הוכיחו את היתכנותם וחשיבותם בתמיכה באבחון עששת. מודלים של בינה מלאכותית (AI) הוצעו על מנת לסייע באבחון מצבים דנטליים.
יישומים אחרונים של AI להדמיה מסתמכים על למידה עמוקה (DL), תת-תחום של למידת מכונה (ML). למידה עמוקה חרגה מגישות למידת מכונה קודמות בעיקר על ידי החלפת תכונות של הנדסה אנוש עם רשתות עצביות בעלות קיבולת גבוהה, המאומנות באמצעות כמויות גדולות של נתונים, מצב המאפשר חילוץ אוטומטי של תכונות. היישומים הראשונים של DL ברפואת השיניים התפתחו סביב ניתוח תמונות רדיוגרפיות, למשל לגילוי עששת. בסקירה שיטתית עדכנית נעשה ניתוח של השימוש ב-DL לאבחון עששת באמצעות מקורות תמונה שונים כגון צילומי רנטגן וטרנס-אילומינציה באור קרוב לאינפרא אדום.
מטרה
הסקירה הביקורתית הנוכחית מתמקדת בהשוואה בין מודלים שונים של AI (DL ושאינם DL) לאיתור נגעי עששת אך ורק באמצעות 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. הסיכון להטיה הוערך באמצעות כלי הערכת האיכות של מחקרים. נערך חיפוש שיטתי ב-EMBASE, Medline ו-Scopus. מתוך 3410 רשומות שזוהו, נכללו 19 מחקרים. המדדים היו מגוונים מאוד והוערכו ברמות רבות. ציוני 1F (הממוצע ההרמוני של הדיוק והחזרה של מודל הסיווג( עבור משימות סיווג וזיהוי היו 94.3-68.3 אחוזים ו-95.4-42.8 אחוזים, בהתאמה. ללא קשר למשימה, ציוני F1 עבור מצלמות מקצועיות היו 95.4-68.3 אחוזים, עבור מצלמות תוך-אורליות היו 78.8-87.6 אחוזים, ועבור מצלמות סמארטפונים 80-42.8 אחוזים. מחקרים מוגבלים אפשרו להעריך את ביצועי הבינה המלאכותית עבור נגעים בחומרה שונה.
מסקנות
החוקרים מסכמים כי זיהוי אוטומטי של עששת באמצעות AI עשוי לספק אימות אובייקטיבי לאבחנות של רופאים ולהקל על 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