בשנתיים האחרונות חלה תזוזה ברורה בספרות המקצועית: בינה מלאכותית (AI) בדנטיסטרייה כבר אינה נדונה כטכנולוגיה עתידית, אלא כמערכת הנבחנת קלינית מול רופאים בפועל, על מגוון משימות אבחוניות ותכנוניות. רשתות נוירונים קונבולוציוניות (CNN) ומודלים מבוססי deep learning הפכו לכלי הליבה בניתוח צילומים תוך-פיים ופנורמיים, בזיהוי אנומליות, ובסגמנטציה של תמונה לצורך תכנון טיפול, תוך שהן מתמודדות עם מגבלות הפרשנות הידנית המסורתית של רדיוגרפיה תוך-פיה ופנורמית.
סקירה שיטתית ומטה-אנליזה עדכנית שבחנה שילוב AI בקבלת החלטות אבחוניות ובתכנון טיפול מצאה הסכמה גבוהה בין הערכות AI להערכות מומחים בתחום הפריודונטי, עם מקדם התאמה תוך-כיתתי (ICC) של 0.806, רמה הנחשבת אמינה דיה כדי לתמוך בהחלטות על שלב המחלה ותכנון הטיפול. עם זאת, אותה סקירה מדגישה שונות גבוהה בין משימות אבחוניות שונות, עם ציון F1 ממוצע של 0.81 בלבד ואיכות ראיות מתונה, ומסקנתה המרכזית היא שהמודל היעיל ביותר איננו החלפת הרופא אלא שיתוף פעולה: שילוב הדיוק האלגוריתמי עם ההיגיון הקליני-קונטקסטואלי של הרופא, המשפר גם את איכות האבחון וגם את יעילות זרימת העבודה.
בתחום האנדודונטי, סקירה שיטתית שכללה עשרה מחקרים ומגוון מודלים, רשתות CNN, ארכיטקטורת U-Net, YOLOv5 ואף ChatGPT-4, שהוחלו על זיהוי נגעים periapical, הערכת איכות מילוי תעלת שורש, זיהוי מכשירים שבורים ואבחון עששת, מצאה טווח דיוק אבחוני של 75%–99%, כאשר רגישות וסגוליות עלו לרוב מעל 80%. ממצא זה תואם מגמה עקבית בספרות: מודלים מבוססי deep learning מסייעים במיוחד לרופאים פחות מנוסים, ומצמצמים את חוסר ההתאמה הבין-בוחנית שאפיין באופן מסורתי פענוח רדיוגרפי.
תחום נוסף שבו AI הוכיח ערך קליני מובהק הוא זיהוי סוג וייצרן שתל דנטלי מתוך צילום, משימה בעלת חשיבות מעשית ישירה כאשר נדרש טיפול חוזר בשתל קיים ללא רישום זמין. סקירה שיטתית שריכזה את הספרות בנושא דיווחה על טווח דיוק של 67%–98.5%, כאשר רוב המחקרים חצו סף של 90%; במחקרים בודדים אף נמצא כי מודל ה-deep learning עלה בדיוק זיהוי על רופאי שיניים מנוסים (97.1% לעומת 92.5% אצל פריודונטיסטים בפועל). ממצאים אלה ממחישים תרחיש קליני מוחשי שבו כלי AI זמין יכול לקצר משמעותית את שרשרת קבלת ההחלטות בטיפול חוזר.
מעבר לביצועי דיוק גולמיים, סקירות עדכניות מצביעות על יתרון נוסף: AI מסוגל לנתח נפחי נתונים גדולים ללא שונות משמעותית בין הרצות, ובכך לצמצם חלק מהאתגר של אי-עקביות בין-בוחנית שמאפיין פענוח רדיוגרפי אנושי. יישום זה נבחן גם בהקשר של טלה-דנטיסטרי ונגישות לאוכלוסיות מרוחקות או מוגבלות ניידות, שבהן סינון ראשוני מבוסס-AI עשוי לזהות מוקדם ירידה במצב הפה ולהפנות לטיפול בזמן.
יחד עם זאת, קריאה ביקורתית של הספרות מחייבת זהירות. איכות הראיות עדיין נעה בין נמוכה לבינונית ברוב הסקירות השיטתיות, מרבית המחקרים הם רטרוספקטיביים או תצפיתיים ולא ניסויים מבוקרים אקראיים, ורוב המודלים אומנו ואומתו על מאגרי נתונים מוגבלים מבחינת גיוון אוכלוסייה וסוג ציוד הדמיה, מה שמעלה שאלות לגבי יכולת ההכללה (generalizability) לסביבת קליניקה שונה מזו שבה פותח המודל. בנוסף, רוב הכלים הקיימים עדיין מתמקדים בתמונות דו-ממדיות (תוך-פיות ופנורמיות), בעוד ש-CBCT התלת-ממדי, הנפוץ יותר ויותר בתכנון implant ואנדודונטיה מורכבת, נותר תת-מיוצג יחסית במחקרי האימות.
המשמעות הקלינית המעשית היא שבינה מלאכותית מתפקדת כיום כטוב ביותר ככלי עזר תומך-החלטה ולא כתחליף לשיפוט הקליני: היא יעילה במיוחד לסינון ראשוני, לזיהוי מוקדם של פתולוגיה עדינה שעלולה להיעלם מעין בלתי-מאומנת, ולתמיכה ברופאים בתחילת דרכם המקצועית. אימוץ קליני אחראי מחייב בדיקה ספציפית-לכלי (case-by-case) של רמת הדיוק המתועדת עבור המשימה הנבחנת, מודעות למגבלות מאגר האימון של כל מערכת, ושילוב התוצאה האלגוריתמית כשכבת מידע נוספת בתוך תהליך קבלת ההחלטות הקליני, לא כפסיקה סופית.
רשימת ספרות
1. Ali M, Irfan M, Ali T, Wei CR, Akilimali A. Artificial intelligence in dental radiology: a narrative review. Ann Med Surg (Lond). 2025;87(4):2212-2217.
2. Alabdulkareem M, Atieh M, AbuMostafa A, Aldalaan K, Alturki N. Artificial Intelligence in Dental Treatment Planning and Diagnostic Decision-Making: A Systematic Review and Meta-Analysis. Clin Exp Dent Res. 2026;12:e70343.
3. Inchingolo AD, Marinelli G, Fiore A, Balestriere L, Carone C, Inchingolo F, Corsalini M, Di Venere D, Palermo A, Inchingolo AM, Dipalma G. Diagnostic Support in Dentistry Through Artificial Intelligence: A Systematic Review. Bioengineering (Basel). 2025;12(11):1244.
4. Doumani M, Almaqboul F, Alduwaysan SSS, Alzahrani MA, Al Ghamdi SA, Alzahrani MN, Alanazi AT, Al Ghamdi NM, Alsalem AH, Alturaif D, Almokayad FH, Alqahtani AS, Alanaz L. Effectiveness of Artificial Intelligence in Endodontic Diagnosis and Treatment Evaluation: A Systematic Review. Cureus. 2025;17(11):e96091.
5. Ibraheem WI. Accuracy of Artificial Intelligence Models in Dental Implant Fixture Identification and Classification from Radiographs: A Systematic Review. Diagnostics (Basel). 2024;14(8):806.