לדברי מחברי המאמר, השימוש בלמידת מכונהML) ) לתמיכה בקבלת החלטות ולהפוך משימות שגרתיות לאוטומטיות בתחום הרפואי גורם לעלייה ביעילות וקבלת החלטות רובוסטיות יותר בתחום מערכת הבריאות. רשתות עצביות רב-שכבתיות עמוקותDNNs) ) הוצגו בהשראה ביולוגית לסיווג, רגרסיה ומשימות פילוח שונים, כולל ניתוח הדמיות רפואיות. ברפואת השיניים, מחקר מתודולוגי בשטח זה הוכיח את עצמו כפורה, עם מספר וריאציות של דגמים אלה המוצעים לסגמנטציה של מבנה השן, סיווג רובד השיניים וגילוי עששת. העקירה של השיניים הטוחנות השלישיות (M3Ms) הינה ההליך הכירורגי הנפוץ ביותר בניתוחי פה אשר עלול לגרום לסיבוכים רבים, כולל נזק לעצב האלבאולרי התחתון (IAN). ידוע מהספרות שמגע ישיר של שורש שן טוחנת שלישית עם העצב מגדיל באופן משמעותי את הסיכון לנזק עצבי. על מנת להפוך את המשימה של זיהוי מקרים קריטיים לאוטומטיים, נעשו במחקרים קודמים צעדים לקראת הערכה אוטומטית של סיכון לקשיי עקירה ונזקים עצביים לאחר ניתוח של טוחנות שלישיות, על ידי שימוש בלמידה עמוקה בהדמיות של רנטגן או של טומוגרפיה ממוחשבת (CT). הניתוח של הדמיות רפואיות אלו התפתחו מאוד מהשימוש בטרנספורמר של רשתות עצביות עם רשת נויראלית רזידואליתResNet) ) שהינה ארכיטקטורה חדשנית, שמטרתה לפתור משימות תוך טיפול בתלות ארוכת טווח בקלות. הגישות הפופולריות ביותר משתמשות במודלים של ResNet על מנת לסווג את הקשר המקומי בין העקירות של הטוחנות לבין פגיעה בעצב.
מטרה
במחקר זה, בנו החוקרים צינור מקצה לקצה לזיהוי וסיווג M3M ו-IAN ברדיוגרפיה פנורמית (OPG) על ידי הערכת מספר שיטות עדכניות מתחום למידת המכונה. לדבריהם, בפרקטיקה הקלינית לא מתאים לבצע באופן שגרתי טומוגרפיה ממוחשבת של קרן קונוסCBCT) ) עקב החשיפה לקרינה. בצינור הזה, נעשה שימוש לסגמנטציה של הדמיות ב-U-Net תלוי מרחבי (SDU-Net) לזיהוי ופילוח האזור של השן הטוחנת והעצב. סיווג תוצאות הפלט שימש על מנת להחליט אם נדרשת שיטת אבחון נוספת לשם תכנון הטיפול.
החוקרים השתמשו ב-4,516 תמונות רדיוגרפיות פנורמיות שנאספו במרכז לרפואת השיניים באוניברסיטת ציריך, שוויץ, להכשרת מודל למידת המכונה. לאחר הכנת תמונה ועיבוד מקדים, נעשה שימוש ב- U-Net התלוי במרחב, על מנת לזהות ולאחזר את האזור של השן הטוחנת והעצב האלבאולרי התחתון. תיקוני תמונה שזוהו כמכילים שיניים טוחנות בוצעו באופן אוטומטי בעיבוד על ידי רשת עצבית עמוקה לסיווג של סופר-אימפוזיציה של M3M על IAN (משימה 1) והתפתחות שורשים של השן הטוחנת (משימה 2). סט הערכת בקרה של 120 הדמיות נאספו ממקור נתונים שונה מנתוני המחקר ותויגו על ידי חמישה רופאי שיניים על מנת להעריך באופן מהימן את ביצועי המודל. על ידי אימות צולב פי עשר הושגו ערכי דיוק של 0.94 ו-0.93 עבור משימת הסופר-אימפוזיציה של M3M-IAN ומשימת התפתחות השורשים של השיניים הטוחנות בהתאמה, ודיוקים של 0.9 ו-0.87 בהערכת נתוני הבקרה באמצעות ResNet-101 מאומן בצורה מפוקחת למחצה. ערכים במקדם המתאם של 0.82 ו-0.75 עבור משימה 1 ומשימה 2, שהוערכו במערך נתוני הבקרה, מצביעים על הכללה רובוסטית של המודל.
מסקנות
בתלות בשילובי ההתוויות השונים של משימה 1 ומשימה 2, מציגים החוקרים טבלת אבחון המציעה באם מומלץ לבצע הדמיה נוספת באמצעות טומוגרפיה תלת מימדית של קרן קונוס. לדבריהם, הכלי לקבלת החלטות בעזרת מחשב מועיל לפרקטיקה הקלינית, בכך שמאפשר קבלת החלטות יעילה ומופחתת סיכונים על ידי תמיכה ברופאים פחות מנוסים לפני העקירה הכירורגית של שן טוחנת שלישית.
Carvalho JS, Lotz M, Rubi L, et al. Pre-interventional third-molar assessment using robust machine learning. J Dent Res 2023. doi: 10.1177/00220345231200786