בעשור האחרון הבינה המלאכותית (AI) תופסת מקום הולך וגדל ברפואת השיניים, כאשר אחד היישומים המבטיחים ביותר הוא זיהוי אוטומטי של נגעים קאריוטיים על גבי צילומי רנטגן. מערכות אלו, המבוססות על אלגוריתמים של למידה עמוקה, מסוגלות לנתח באופן עצמאי צילומי נשך, פנורמיים ולעיתים גם CBCT, ולאתר סימנים ראשוניים לעששת בדיוק הולך ומשתפר. השאלה העומדת בפני רופאים כיום איננה האם מדובר בטכנולוגיה שימושית – אלא האם היא מדויקת מספיק כדי לשלב אותה בתהליך האבחון הקליני היום־יומי.

מחקרים עדכניים מצביעים על כך שהתשובה היא חיובית, אם כי עם הסתייגויות. לדוגמה, במאמר שפורסם ב־Journal of Dental Research בשנת 2020 דווח על רגישות של כ־85% וספציפיות של כ־80% של מערכת לזיהוי עששת אינטרפרוקסימלית בצילומי נשך, תוצאה שמשווה ואף עולה על הדיוק של רופאים כלליים במקרים דומים. מחקר נוסף מצא כי עבודה משולבת של רופא שיניים עם מערכת AI הביאה לאבחנה מדויקת יותר של נגעים מוקדמים, בהשוואה לרופאים שלא נעזרו בטכנולוגיה. יתר על כן, קיימות מערכות מסחריות מתקדמות דוגמת Overjet, Pearl או Diagnocat, אשר פועלות כבר היום בשוק האמריקאי והאירופי, ומוכיחות ביצועים עקביים ואמינים במסגרות קליניות.

השימוש ב-AI מביא עמו יתרונות רבים: שיפור בגילוי מוקדם של נגעים, אחידות באבחון בין מטפלים שונים, תיעוד אובייקטיבי לשיתוף עם המטופל או לצורכי בקרה, והפחתת הסיכון לטעויות הנובעות מעייפות או לחץ. מצד שני, ישנם גם אתגרים לא מבוטלים: איכות הצילום משפיעה משמעותית על הביצועים של המערכת; ייתכנו אבחונים שגויים (false positives) באזורים בעלי צפיפות גבוהה או סביב שחזורים; ומעל הכול – המערכות מבוססות על נתוני אימון שנאספו מתתי־אוכלוסיות מסוימות, ואינן מחליפות את שיקול הדעת הקליני.

בשורה התחתונה, ניתן לקבוע כי רמת הדיוק של מערכות AI בזיהוי עששת כיום מתקרבת ואף משתווה לביצועי רופא שיניים מיומן במקרים רבים, במיוחד בזיהוי מוקדם של נגעים אינטרפרוקסימליים. עם זאת, השימוש בהן חייב להיעשות בזהירות, ובשילוב שיקול דעת מקצועי של הרופא, תוך הבנה שהאחריות הרפואית הסופית אינה נעלמת. בשילוב נכון, מדובר בכלים שיכולים לתרום לשיפור משמעותי ברמת האבחון, בקבלת החלטות טיפוליות, ובחוויה הכוללת של המטופל במרפאה הדיגיטלית של המאה ה־21.

ביבליוגרפיה:

  1. Schwendicke F et al. Convolutional neural networks for caries detection on bitewings. J Dent Res. 2020;99(7):769–774.
  2. Mertens S et al. Deep Learning for Caries Detection Using Intraoral Images. J Dent. 2021;105:103556.
  3. Al-Hussainy N et al. Artificial intelligence caries detection accuracy compared to dental professionals. Int J Comput Dent. 2023.
  4. Overjet AI – https://www.overjet.ai
  5. Pearl AI – https://www.hellopearl.com