לדברי מחברי המאמר, טיפולי השתלות השיניים הפכו לפופולריים וגדלו באופן משמעותי בשל הטכנולוגיה, החומרים והעיצוב החדשניים שלהם. כתוצאה מכך, השתלת שיניים הינה הטיפול המועדף על מתרפאים עם חסר שיניים, והן משפרות משמעותית את איכות חייהם. עם זאת, סיבוכים רבים עדיין מתרחשים גם חמש שנים לאחר ביצוע השתל והם עלולים להוביל לכשל בשתל.
סיבוכי השתלים מסווגים לשתי קטגוריות: מכאניות וביולוגיות. סיבוכים מכניים כוללים שברים או התרופפות ברגים, כמו גם שברי שתלים. מוקוזיטיס ופרי-אימפלנטיטיס הם חלק מהסיבוכים הביולוגיים המתרחשים סביב השתל. מחקר מהעבר הראה, כי השכיחות של פרי-אימפלנטיטיס היא בין 10~40 אחוזים והיא מתרחשת כתגובה של הרקמות להיווצרות הרובד, בדומה למחלות החניכיים. התסמינים הראשוניים אינם ברורים וניתן להתעלם מהם או לאבחן אותם בצורה שגויה, והם עלולים להוביל לספיגת עצם מתמשכת ולהפרדה של ממשק השתל-עצם, וכתוצאה מכך בסופו של דבר להתרופפות או לאובדן השתל ואף למחלות מערכתיות. לכן לדעת המחברים, אבחון מדויק בשלב מוקדם וטיפול מתאים בזמן הינם חיוניים לשליטה בפרי-אימפלנטיטיס. ההערכה הקלינית של פרי-אימפלנטיטיס כוללת שימוש במכשור ידני לבדיקת החניכיים לשם מדידת עומק כיס החניכיים ודימום, כמו גם הדמיית רנטגן לאיתור אובדן העצם השולית (MBL), מה שהופך את ההדמיה לכלי חיוני להערכת טווח אובדן העצם סביב השתל במקרים של פרי-אימפלנטיטיס.
תחום הבינה המלאכותית (AI) מתפתח במהירות ויישומים של מאגרי תמונות רדיולוגיים במערכות AI הפכו את האבחנה הסופית של מחלות שונות ליעילה ומדויקת יותר. בשנת 2010, חלה פריצת דרך גדולה בטכנולוגיה של הבינה עם למידה עמוקה (DL), שבה מודלים של למידה עברו משימוש ביחידות עיבוד גרפיות (GPUs) לביצוע משימות סיווג לשימוש במערכי נתונים גדולים לביצוע אלגוריתמים לאבחונים קליניים, חיזוי מחלות ואספקת המלצות לטיפול. רשתות עצביות מתקפלות (CNNs) אומנו להשתמש בקונבולציה על מנת לחלץ מאפיינים של תמונה, מה שמאפשר סיווגים וחיזויים מהירים ויעילים. בתחומי הבריאות CNN מופעל בהצלחה על סוגים שונים של הדמיות רפואיות כדי לפתור בעיות שונות. לדוגמה, ניתן באמצעותו להעריך באופן אוטומטי את הצורה והמיקום של גידולי שד ממאירים בתמונות ממוגרפיה ולזהות רטינופתיה סוכרתית בבדיקות עיניים. ברפואת השיניים יושמו בשנים האחרונות אלגוריתמים שונים, תוך שימוש בתמונות רנטגן לאבחונים, תחזיות טיפול, סיווג, ועוד. עם זאת, עד כה, רק מספר מחקרים זמינים כדי לזהות פרי-אימפלנטיטיס באמצעות DL בתמונות רנטגן דנטליות, ואף מחקר לא חקר את הקשר בין היקף הפרי-אימפלנטיטיס לאובדן העצם השולית.
מטרה
המחקר הנוכחי בדק את השימוש בהדמיה פריאפיקלית לזיהוי וסיווג פרי-אימפלנטיטיס. המטרה העיקרית הייתה להבדיל את מידת אובדן העצם השולית של השתלים וגם לסווג את חומרת הפרי-אימפלנטיטיס. זה הושג באמצעות זיהוי אוטומטי, חילוץ תכונות וסיווג, המאפשר אימון של מערכי נתונים רפואיים בקנה מידה קטן באמצעות למידה עמוקה וכתוצאה מכך תוצאות טובות של סיווג וחיזוי.
החוקרים חילקו מערך נתונים של 800 צילומי רנטגן פרי-אפיקליים לאימון (n=600), תיקוף (n=100) וניסוי (n=100) של מערכי נתונים של שתלים ששימשו ללמידה עמוקה. אלגוריתם של זיהוי אובייקטים (YOLOv7) שימש לזיהוי מצבי פרי-אימפלנטיטיס. ביצועי הסיווג של המודל הוערכו באמצעות מדדים, כולל הספציפיות, הדיוק (אשר מכמת את חלקן של תחזיות "חיוביות" נכונות שנעשו על ידי המודל), הריקול (מודד את שיעור הדגימות החיוביות שהמודל מזהה נכון) וציון F1 (המשלב את הדיוק והריקול תוך שימוש בממוצע ההרמוני שלהם). בהתחשב בביצועי הסיווג, הספציפיות הייתה 100 אחוז, הדיוק היה 100 אחוז, הריקול היה 94.44 אחוז וציון F1 היה 97.10 אחוזים.
מסקנות
לדברי החוקרים, תוצאות המחקר העלו שניתן לזהות שתלים בצילומים רדיוגרפיים פרי-אפיקליים באמצעות זיהוי אובייקטים מבוסס למידה עמוקה. מערכת זיהוי זו יכולה לעזור לרופאי השיניים ומתרפאים הסובלים מבעיות בשתלים. הם מסיקים שמודל ה-CNN יכול להקל על זיהוי אובדן העצם השולית מסביב לשתלים, בידיעה כי ל-YOLOv7 היה הדיוק הגבוה ביותר ומהירות בזיהוי עצמים בזמן אמת. מחקר נוסף לאיתור מערכות השתלים ואובדן העצם ישכלל את מערכות הזיהוי באמצעות הבינה המלאכותית אשר יכולה לעזור בניטור מצבו של המתרפא בצורה מדויקת יותר וביעילות רבה.
WF Lee, MY Day, CY Fang, et al. Establishing a novel deep learning model for detecting peri-implantitis. J Dent Sci 2024. doi.org/10.1016/j.jds.2023.11.017