מעט תחומים ברפואת השיניים נכבשו בידי הבינה המלאכותית במהירות שבה נכבש האבחון הרדיולוגי. תוכנות המנתחות צילומי נשך, פריאפיקל ופנורמה, מסמנות נגעים בשכבות צבע ומודדות איבוד עצם במילימטרים, הפכו בתוך שנים ספורות ממושג מחקרי למוצר מסחרי מאושר. עד יולי 2025 זוהו כשלוש עשרה חברות המציעות כעשרים ותשעה מוצרי בינה מלאכותית לדימות דנטלי שקיבלו אישור FDA, המכסים זיהוי עששת, הערכת מחלת חניכיים, ניתוח צפלומטרי ומיפוי דנטלי אוטומטי. השאלה שכבר איננה "האם האלגוריתם מדייק" אלא "האם הדיוק הזה משתרגם לתועלת קלינית אמיתית עבור המטופל", היא לב העניין.

הנתונים על הדיוק עצמו מרשימים ועקביים למדי. סקירת-על עם מטא-אנליזה שפורסמה ב-2025 וכללה ארבע עשרה סקירות שיטתיות דיווחה על רגישות מצרפית של 0.85 וסגוליות של 0.90 לזיהוי עששת, עם שטח תחת עקומת ה-ROC של 0.86. במישור הרקמה הבודדת, פלטפורמות המנתחות צילומי פנורמה השיגו דיוק גבוה במיוחד לזיהוי שיניים חסרות, כתרים ושתלים. בתחום החניכיים, מודלים מבוססי רשתות נוירונים קונבולוציוניות (CNN) הגיעו לדיוק אבחוני של 0.82 עד 0.85 עם ערכי AUC מעל 0.88, ביצועים המשתווים לרופא ממוצע. ולא פחות חשוב: מחקרים הראו שהתוספת האלגוריתמית שיפרה במיוחד את הדיוק של רופאים פחות מנוסים בזיהוי נגעים פריאפיקליים.

ואולם דווקא כאן מתחיל הפער. דיוק גבוה במסד נתונים סגור אינו זהה לתועלת ליד הכיסא. מטא-אנליזות רבות מדווחות על הטרוגניות סטטיסטית עצומה, במקרה של זיהוי עששת נמדדה שונות של כ-88% בין המחקרים, הנובעת מהבדלים במסדי הנתונים, בהגדרות העששת, באיכות הצילום ובאלגוריתם עצמו. פלטפורמה שאומנה על צילומי נשך ברזולוציה מסוימת אינה בהכרח מתפקדת באותה רמה על ציוד אחר, באוכלוסייה אחרת, בתנאי חשיפה שונים. סקירה שיטתית מ-2025 שבחנה שלושים מחקרים על זיהוי איבוד עצם חניכתי מצאה כי רק כ-23% מהם עמדו בסף איכות מתודולוגי גבוה לפי כלי APPRAISE-AI, עדות לכך שהפער בין ההבטחה לראיה האיתנה עדיין רחב.

השאלה הקלינית האמיתית איננה כמה טוב האלגוריתם לבדו, אלא כמה טוב הרופא בעזרתו. כאן התמונה מעודדת אך מורכבת. מחקר ה-ADEPT, שבו עשרים ושלושה רופאים בחנו צילומי נשך עם תוכנת בינה מלאכותית ובלעדיה, המחיש זאת היטב: שיעור הזיהוי של נגעי עששת באמייל בלבד עלה מ-44.3% בקבוצת הביקורת ל-75.8% בקבוצה שנעזרה בתוכנה – זינוק של 71% ברגישות. אך באותה נשימה, שיעור הסימון השגוי של משטחים בריאים עלה מ-3.7% ל-14.6%, ירידה של כ-11% בסגוליות. זהו לב האיזון: ככל שהמערכת רגישה יותר, כך היא מסמנת יותר ממצאים גבוליים, וחלקם חיוביים כוזבים. בהקשר הרדיולוגי הדנטלי משמעות הדבר עלולה להיות סימון נגעים שאינם מצריכים התערבות, ומכאן קצרה הדרך לטיפול-יתר בשן שהיתה יכולה להישאר תחת השגחה. האיזון בין רגישות לסגוליות אינו פרמטר טכני בלבד אלא החלטה קלינית: בתרחיש של נגע ממאיר חשוד נעדיף רגישות גבוהה גם במחיר התרעות שווא, ואילו בזיהוי עששת אמייל התחלתית סגוליות גבוהה חיונית כדי להימנע מקידוח מיותר.

מכאן נגזרת גם עמדת הרגולציה והמקצוע. רוב המערכות המאושרות מוגדרות ככלי עזר החלטה (decision support), לא כמאבחן אוטונומי, הרופא הוא שמאשר כל ממצא. אישור FDA מעיד על עמידה בסף ביצועים אך אינו ערובה לתועלת קלינית בכל הקשר, ובוודאי אינו פוטר מאחריות מקצועית. תקן ISO 18374 שפורסם ב-2025 מנסה לתת מסגרת לשקיפות: הוא מחייב תיעוד מטרות, מגבלות, אוכלוסיית היעד ושיטות התיוג של מסדי הנתונים ששימשו לאימון, הכרה מפורשת בכך שאלגוריתם הוא טוב כמו הנתונים שעליהם למד.

מבחינה מעשית, כדאי לרופא השיניים לאמץ גישה של ספקנות מושכלת. בינה מלאכותית רדיולוגית היא כלי מצוין להסבת תשומת לב ולתקשורת עם המטופל, הדגשה חזותית של איבוד עצם או נגע משכנעת יותר מהסבר מילולי. היא מיטיבה במיוחד עם קלינאי צעיר ועם עומס אבחוני. אך היא אינה תחליף לשיפוט קליני, אינה מכירה את ההיסטוריה של המטופל ואינה נושאת באחריות. ממצא של האלגוריתם הוא נקודת פתיחה לבדיקה, לא פסק דין.

לסיכום, הבינה המלאכותית באבחון הרדיולוגי הוכיחה דיוק אלגוריתמי מרשים ועקבי, אך התועלת הקלינית תלויה פחות במספרי הרגישות ויותר באופן השילוב בשגרת העבודה, בהבנת מגבלות המערכת ובשמירה על שיקול הדעת של הרופא כגורם המכריע. הכלי מבטיח, אך ערכו האמיתי נמדד לא במעבדה אלא בהחלטה הטיפולית שהוא מסייע לה , או שהוא עלול להטות.

רשימת ספרות 

  1. Shujaat S, Aljadaan H, Alrashid H, Aboalela AA, Riaz M. FDA-approved AI solutions in dental imaging: a narrative review of applications, evidence, and outlook. Int Dent J. 2026;76(1):109315.
  2. Rokhshad R, Keyhan SO, Yousefi P, et al. Examining the diagnostic accuracy of artificial intelligence for detecting dental caries across a range of imaging modalities: an umbrella review with meta-analysis. PLoS One. 2025;20(8):e0329986.
  3. Azhari AA. Accuracy of artificial intelligence applications in periodontics: a thematic narrative review. Front Dent Med. 2026;7:1729825.
  4. Diagnostic support in dentistry through artificial intelligence: a systematic review. Diagnostics (Basel). 2025;15(22):MDPI.
  5. Artificial intelligence in dentistry: a concise review of reporting checklists and guidelines. Int Dent J. 2026;76(1):109322.
  6. Devlin H, Williams T, Graham J, Ashley M. The ADEPT study: a comparative study of dentists' ability to detect enamel-only proximal caries in bitewing radiographs with and without the use of AssistDent artificial intelligence software. Br Dent J. 2021;231(8):481-485.
  7. International Organization for Standardization. ISO 18374:2025 Dentistry — Artificial intelligence and augmented intelligence based 2D radiograph analysis — Data generation, annotation and data processing. Geneva: ISO; 2025.
  8. Detection accuracy of an AI platform for dental treatment features on panoramic radiographs – tooth- and patient-level analyses. Sci Rep. 2025;15:32226.