Egy japán professzor megkönnyíti a fogászatban alkalmazott mesterséges intelligencia elsajátítását

A klinikusok számára, akik nehezen tudnak lépést tartani a mesterséges intelligencia (AI) fogászatban történő folyamatos fejlődésével, Akitoshi Katsumata professzor, a gifui Asahi Egyetem fogorvosi karának tanszékvezetője érthető áttekintést adott a fogászat diagnosztikai képalkotásban való alkalmazásáról. Az alábbi cikk Katsumata professzor következtetéseinek rövid összefoglalása.

A gépi tanulás és más mesterséges intelligencia a XXI. század eleje óta jelentős eredményeket ért el a fogászati diagnosztikai képalkotásban. A digitális röntgen és a CBCT átalakította a fogászatot, ami a számítógéppel támogatott felismerő és diagnosztikai rendszerek kifejlesztéséhez vezetett. Ezek a fejlesztések lehetővé tették a fogorvosok számára, hogy figyelemre méltó pontossággal azonosítsák a különböző állapotokat, beleértve a maxilláris sinus elváltozásokat, a csontritkulással összefüggő alsó állkapocscsont elváltozásokat és a nyaki verőér meszesedéseit.

A korai felismerő és diagnosztikai rendszerek az ember által alkotott szabályokra és ismeretekre támaszkodtak a konkrét röntgenleletek megállapításához. A 2010-es évek eleje óta azonban a gépi tanulás, különösen a mélytanulás (deep learning, DL) egyre nagyobb teret hódít a felismerő és diagnosztikai rendszerekben. A DL az emberi agy felépítése által inspirált neurális hálózatokat használja ki, így kiválóan alkalmazható a képelemzésben, a természetes nyelvi feldolgozásban, a prediktív analitikában és a gépi rendszerirányításban. A fogászati diagnosztikai képalkotásban az AI-alkalmazások folyamatosan fejlődtek a különböző modalitásokban, például az intraorális röntgenfelvételben, a panoráma röntgenfelvételben és a CBCT-ben.

Az osztályozási feladat kulcsfontosságú szerepet játszik a fogak helyének azonosításában a periapikális röntgenfelvételeken, ahol a felső és alsó állkapocs, illetve a bal és jobb oldal megkülönböztetése kihívást jelenthet. A DL pontos megoldást kínál a fogak azonosítására. Fontos, hogy a felhasználóbarát grafikus interfészek a DL-t a programozási szakértelemmel nem rendelkező fogorvosok számára is elérhetővé tették.

Az emberek által kiosztott kezdeti osztályozási címkék pontossága döntő fontosságú a felügyelt osztályozási feladatoknál, ahol egy gépi tanulási modellt képeznek ki az adatok előre meghatározott kategóriákba történő osztályozására. A DL például egyértelmű kritériumok alapján pontosan azonosítani tudja az impaktált, számfeletti fogakat. Ezzel szemben a csontritkulásra utaló mandibulakéreg-morfológia diagnosztizálásához szakértői megfigyelésre lehet szükség. A periapikális elváltozások, például a radikuláris ciszták azonosítása további kihívást jelent.

A DL-ben a régiófelismerési feladatok a szakértő által kommentált érdekes régiókból való mesterséges intelligencia-tanulást foglalják magukban, hogy automatikusan meghatározzák a képeken az érdekes téglalap alakú régiókat. Ez elengedhetetlen a pozitív és negatív röntgenleletek osztályozásához. A fogászati alkalmazások közé tartozik az arcüregproblémák és az állkapocsban lévő sugárzástól átlátszó elváltozások felismerése.

Az automatikus fogfelismerés a panoráma röntgenfelvételeken jelentős áttörést jelent. Ez a technika nemcsak a fogászati betegségek diagnosztizálásában nyújt segítséget, hanem a természeti katasztrófák utáni post mortem azonosításban is. A panorámaképeken az átfedő fogak azonban megnehezíthetik az azonosítási folyamatot.

A DL-ben a szegmentálási feladat a képet különálló szegmensekre osztja, megkülönböztetve az objektumokat a háttértől. A szemantikus szegmentálás színeket használ az objektumok elkülönítésére, a példányszegmentálás pedig ugyanazon osztály egyes példányait azonosítja. Ez a technika alkalmas fogak azonosítására panoráma röntgenfelvételeken, amelyeken tiszta a kép. A szegmentálási feladatok kiegészítik a régiók felismerését, és elengedhetetlenek a célstruktúrák és elváltozások körvonalának pontos követéséhez. Ilyen például az állkapocscsatorna és a felső állkapocsüreg kivonása panoráma röntgenfelvételeken, valamint a periapikális léziók szegmentálása.

A generatív mesterséges intelligencia magában foglalja az új tartalmak, például szövegek és képek létrehozását DL-modellek segítségével. Ezeket a modelleket a képzaj csökkentésére és a fogászati képek finomítására használták, javítva az értelmezést és a diagnózist. A generatív mesterséges intelligencia emellett segít a páciensspecifikus fogászati és arcvonások létrehozásában, ami a kezelés magyarázatában és a CAD-ben nyújt segítséget.

A „Deep learning and artificial intelligence in dental diagnostic imaging” című tanulmányt a Japanese Dental Science Review 2023. decemberi számában tették közzé.

Forrás: https://www.dental-tribune.com/news/japanese-professor-makes-learning-about-ai-in-dentistry-easy-with-published-overview/