לדברי מחברי המאמר, עיוותים דנטו-פציאליים מהווים בעיה נפוצה בפרקטיקה הקלינית של רפואת השיניים, וכחמישה אחוזים מהאוכלוסייה מציגים התפתחות לא תקינה של הלסתות. ניתוח אורתודונטי-אורתוגנטי הוא הטיפול העיקרי לעיוותים אלה, אך אבחון מדויק ותכנון כירורגי קפדני חיוניים לתוצאות מיטביות. בעת האבחנה של עיוותים דנטו-פציאליים ותכנון ניתוחים אורתוגנטיים מסתמכים בעיקר על בדיקה קלינית, הערכת יחסי הסגר וצפלומטריה. מחברי המאמר מציינים, כי הוכח שלבינה מלאכותית (AI) קיימת היכולת לזהות מל-אוקלוזיות סקלטליות ולחזות את הצורך בניתוח אורתוגנטי. עם זאת, מחקרים קודמים הסתמכו בעיקר על נתונים של צילומים צפלומטריים לטרליים, מה שגורם בהכרח לאובדן מידע. מחקרים אלו אבחנו עיוותים דנטו-פציאליים באמצעות הדמיה, ותוכניות ניתוחיות ספציפיות לא נערכו. יתרה מכך, חוקרים מסוימים השתמשו בלמידה עמוקה של ענן נקודות תלת-ממד, על מנת ליצור תבניות עצם להנחיית בלוקים לסכימות תנועה בניתוחים אורתוגנטיים. למרות ששימוש זה מייצג גישה חדשה לתכנון ניתוח אורתוגנתי בעזרת בינה מלאכותית, קיים חוסר ולידציה קלינית לשיטה זו.

מטרה

במחקר הנוכחי יצרו החוקרים מערכת תומכת החלטות אינטראקטיבית, שיכולה להפיק אבחנה מדויקת של עיוותים דנטו-פציאליים ולהמליץ על תכניות ניתוחיות אינדיבידואליות על סמך העדפות המנתח. החוקרים גייסו במחלקה לניתוחים אורתוגנתיים ומפרקים טמפורמנדיבולריים של בית החולים לרפואת השיניים אוניברסיטת סצ'ואן במערב סין 574 מתרפאים עם עיוותים דנטו-פציאליים שעברו CT ספירלי במהלך ינואר 2015 עד אוגוסט 2020, אשר נרשמו לאימון מודלים אבחוניים המבוססים על חמישה אלגוריתמים שונים של למידת מכונה; ביצועי האבחון הושוו עם אבחנות של מומחים. חושבו הדיוק, הרגישות, הספציפיות והשטח מתחת לעקומהAUC) ). אלגוריתם "מושבת הדבורים המלאכותית האדפטיבית" הופעל על מנת לגבש את התוכנית הניתוחית האורתוגנית, ולאחר מכן הוערך על ידי מנתחי פה ולסת בקבוצה של 50 מתרפאים. ההערכה האובייקטיבית כללה את ההבדל במיקום העצם בין הבינה המלאכותית שנוצרה לבין תוכניות הניתוח בפועל עבור המתרפא, יחד עם אי-התאמות בתוצאות הניתוח הצפלומטרי לאחר הניתוח. המודל להגברת השיפוע הקיצוני של רלוונטיות בינארית תפקד בצורה הטובה ביותר, עם אחוזי הצלחה של אבחון של מעל 90 אחוזים עבור שישה סוגים שונים של עיוותים דנטו-פציאליים; היוצא מן הכלל היה התפתחות יתר של מקסילרית (89.27 אחוזים). AUC היה > 0.88 עבור כל סוגי האבחון. הציון החציוני עבור תוכניות הניתוח היה 9, והשתפר לאחר אינטראקציה בין אדם למחשב. בין הקבוצות בפועל לבין הבינה המלאכותית לא היה הבדל מובהק סטטיסטית.

מסקנות

מחברי המאמר קובעים כי אלגוריתמים של למידת מכונה יעילים לאבחון ותכנון כירורגי של עיוותים דנטו-פציאליים ומסייעים בשיפור יעילות האבחון.

Du W, Bi W, Liu Y, Zhu Z, et al. Machine learning-based decision support system for orthognathic diagnosis and treatment planning. BMC Oral Health 2024;doi.org/10.1186/s12903-024-04063-6