לדברי מחברי המאמר, מאז הכנסת השתלים לטיפול הקליני הדנטלי לפני יותר מכמה עשורים, דווחו סיבוכים מכניים שונים (כגון: שברים או התרופפות של רכיבי התותבת או המבנה) או ביולוגיים (למשל, פרי-אימפלנטיטיס), המשפיעים על התוצאות התפקודיות והאסתטיות ארוכות הטווח, ושכיחותם אף עלתה. על מנת לטפל בסיבוכים אלו, יש לזהות מידע ספציפי ומפורט על מערכת השתל הדנטלי (DIS) תוך-אורלי, אותו ניתן להשיג בקלות, באם הרשומות הרפואיות והדנטליות של המתרפא זמינות. עם זאת, פרטים אלו עשויים להיות קשים או אפילו בלתי אפשריים להשגה אם בוצעו ניתוח השתלה ו/או טיפולי שיקום במרפאות שונות והמתרפא אינו יכול ליצור קשר עם רופא השיניים המבצע. במקרים כאלה, אנשי המקצוע בתחום רפואת השיניים חייבים לזהות את DIS באמצעות נתונים קליניים ורדיוגרפיים מוגבלים. קיימים יצרני שתלים רבים ולכל עיצוב שתל יש מגוון מאפיינים (כולל ממשק השתל, מבנה הכותרת, חוד השתל, צורת האפקס ומבנה פני השטח), אשר מבדילים אותו ממערכות שתל דנטלי מתחרות, ולפי מחברי המאמר מאוד קשה לזהות מאות סוגים של מערכות שתל אשר הושתלו בעבר בעצם האלבאולרית. רדיוגרפיה סביב האפקס וצילומים פנורמים דנטלים מהווים את הדרך העיקרית לזיהוי סוגים שונים של מערכות שתל .עם זאת, יש להם מגבלות קליניות בסיווג מערכות שתל, עקב אילוצים טכניים ומתודולוגיים. לכן, הקמת פלטפורמה של מסד נתונים לזיהוי וסיווג מערכות שתל היא תנאי מוקדם ובעל עדיפות לניהול וטיפול נכון בסיבוכים הקשורים לשתלים.
למידה עמוקה (DL) הינה בשימוש נרחב ומקובלת במגוון מערכות של בינה מלאכותית (AI) לשם ניתוח של הדמיה רפואית, החל ממניעת מחלות, אבחון ופרוגנוזה בפתולוגיה, דרמטולוגיה, רפואת עיניים, קרדיולוגיה, ועוד. כמו כן, מחקרים אחרונים הקשורים ל-DL בתחום הדנטלי, כולל רדיולוגיה דנטלית, קריולוגיה, פריודנטיה, יישור שיניים והשתלות שיניים, הראו ערך ראשוני ביישום קליני אמין וביצועים מדיוקים, השווים לאלו של רופאי השיניים המקצועיים. מספר מחקרים הציעו כי שימוש ב-DL לשם סיוע לתמיכה בהחלטות עשוי לשפר משמעותית את הזיהוי ודיוק הסיווג של מערכות שתל על בסיס צילומים פריאפיקליים ופנורמיים. מכיוון שרוב המחקרים הקודמים נערכו על בסיס מספר קטן של מערכות שתל הטרוגניות, המהימנות והתקפות של הזיהוי והסיווג מבוסס ה-DL של סוגים שונים של מערכות שתל בפרקטיקה הקלינית בפועל עדיין מוטלת בספק.
מטרה
המחקר הנוכחי נערך על מנת להעריך את היעילות של למידה עמוקה בזיהוי וסיווג מערכות שתל באמצעות מערך נתונים רב מרכזי בקנה מידה גדול. יתר על כן, ההשערה הייתה, שדיוק הביצועים של למידה עמוקה בסיווג של מערכות שתל יהיה דומה או עדיף על זה של רופאי שיניים מומחים או שאינם מומחים בהשתלות דנטליות. מערך הנתונים, שנאסף על ידי החוקרים מחמש מכללות בבתי חולים לרפואת שיניים ועשר מרפאות שיניים פרטיות, הכיל 37,442 (24.8 אחוזים) צילומים פריאפיקליים ו-113,291 (75.2 אחוזים) פנורמיים אשר הורכבו מ-10 יצרני שתלים ו-25 סוגים שונים של מערכות שתל. סיווג הדיוק של למידה עמוקה הוערך באמצעות ארכיטקטורת ResNet-50 שעברה הכשרה ושונתה מראש. ההשוואה בין ביצועי דיוק זמן הקריאה לבין למידה עמוקה לרופאי השיניים נערכה באמצעות שאלון לדיווח עצמי. כאשר השוו את דיוק הביצועים לסיווג של מערכות השתל, עלתה למידה עמוקה על רוב ביצועי המשתתפים, לרבות רופאי שיניים המתמחים ולא מתמחים בהשתלות דנטליות. בנוסף, השימוש בלמידה עמוקה דורש זמן קריאה וסיווג קצרים יותר (4.5 דקות) מאשר זה של רופאי השיניים שהתמחו (75.6 ± 31.0 דקות) ואלו שלא עשו התמחות בשתלים (91.3 ± 38.3 דקות). השימוש בלמידה עמוקה השיג תוצאות אמינות בזיהוי ובסיווג סוגים שונים של מערכות שתל וביצועי הדיוק והסיווג של למידה עמוקה היו עדיפים באופן משמעותי על אלו של רופאי שיניים מומחים או לא מומחים בנושא ההשתלות.
מסקנות
לדעת מחברי המאמר, ניתן להשתמש בלמידה עמוקה ככלי עזר תומך בהחלטות לזיהוי וסיווג של מערכות שתל שנתקלים בהם בפרקטיקה הקלינית.
Park W, Schwendicke F, Krois J, et al. Identification of dental implant systems using a large-scale multicenter data set. J Dent Res 2023. doi: 10.1177/00220345231160750