سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / اولین همایش بین المللی تحول خدمات سلامت: تلفیق مراقبت، درمان، بازتوانی و امیدبخشی

نقش هوش مصنوعی در تشخیص زودهنگام ضایعات دهانی و ارتقای کیفیت مراقبتهای دندانپزشکی

نویسندگان :

آرش کریمی راد¹ شادی گلی²

1- دانشگاه علوم پزشکی اصفهان 2- دانشگاه ازاد اسلامی نجف اباد

کلمات کلیدی :

هوش مصنوعی،ضایعات دهانی،اختلالات بالقوه بدخیم دهان،تشخیص زودهنگام،دندانپزشکی دیجیتال

چکیده :

مقدمه‎:‎‏ ضایعات دهانی، بهویژه اختلالات بالقوه بدخیم دهان‎ (OPMDs)‎، در صورت شناسایی و ارجاع بهموقع میتوانند از ‏نظر تشخیصی و درمانی پیامدهای مطلوبتری داشته باشند. تشخیص بالینی این ضایعات تا حدی به تجربه و مهارت معاینهکننده ‏وابسته است. در سالهای اخیر، هوش مصنوعی بهخصوص یادگیری ماشین‎ ( ML) ‎و یادگیری عمیق‎ (DL)‎، بهعنوان فناوری ‏کمکی در تحلیل تصاویر بالینی، رادیوگرافی و بافتشناسی مورد توجه قرار گرفته است. هدف این مطالعه بررسی نقش هوش ‏مصنوعی در تشخیص زودهنگام ضایعات دهانی و ارتقای کیفیت مراقبتهای دندانپزشکی بود‎.‎ روش کار‎:‎ این مطالعه بهصورت مرور روایتی با بررسی مطالعات منتشرشده در پایگاههای‎ PubMed، ‏Scopus ‎و‎ Google Scholar ‎با استفاده از کلیدواژههای‎ Artificial Intelligence، ‏Oral Lesions، ‏Oral Cancer، ‏Deep Learning، ‏Machine Learningو‎ Early Diagnosis‏ درسال های2020-2026‏‎ ‎انجام شد. مطالعات مروری نظاممند، متاآنالیزها و ‏پژوهشهای تشخیصی مرتبط با کاربرد‎ AI ‎در شناسایی ضایعات دهانی مورد ارزیابی قرار گرفتند‎.‎ یافتهها‎:‎نتایج مطالعات مروری و فراتحلیلهای اخیر نشان داد که مدلهای مبتنی بر هوش مصنوعی، بهویژه یادگیری عمیق و ‏شبکههای عصبی کانولوشنی‎ ‎، عملکرد تشخیصی قابلتوجهی در شناسایی ضایعات بالقوه بدخیم دهان‎ ‎و سرطان دهان دارند. در ‏یک فراتحلیل شامل 18 مطالعه، حساسیت تجمیعی 87%، ویژگی 81% و سطح زیر منحنی‎ ROC ‎برابر با 0/976 گزارش شد؛ ‏همچنین نسبت شانس تشخیصی‎ ‎برابر با 131/63 بود که بیانگر قدرت افتراقی مطلوب مدلهای هوش مصنوعی است. در ‏مطالعه دیگری، ارزیابی تصاویر بالینی ضایعات دهانی با کمک‎ AI ‎به حساسیت 89/9%، ویژگی 89/2% و ارزش اخباری ‏منفی 89/5% دست یافت؛ تحلیل زیرگروهی نیز نشان داد تصاویر بالینی در میان روشهای تصویربرداری بررسیشده، عملکرد ‏تشخیصی مطلوبی دارند. همچنین، مرور نظاممند مطالعات یادگیری عمیق در سرطان دهان، دامنه دقت 85 تا 100 درصد را ‏برای مدلهای مختلف گزارش کرد و‎ DOR ‎تجمیعی 2549/08 را در مطالعات طبقهبندی نشان داد. در تحلیل تصاویر ‏هیستوپاتولوژیک سرطان سلول سنگفرشی دهان نیز حساسیت و ویژگی تجمیعی مدلها بهترتیب حدود 98% و 93% گزارش ‏شده است. با وجود این نتایج، ناهمگونی قابلتوجه بین مطالعات، محدودیت حجم و تنوع دادههای آموزشی و خطر سوگیری، ‏ضرورت اعتبارسنجی خارجی و مطالعات آیندهنگر پیش از ادغام گسترده این فناوری در مراقبت بالینی را نشان میدهد‎.‎ نتیجهگیری‎:‎‏ هوش مصنوعی میتواند بهعنوان یک ابزار کمکی در تشخیص زودهنگام ضایعات دهانی و ارتقای کیفیت ‏مراقبتهای دندانپزشکی مورد استفاده قرار گیرد. با وجود نتایج امیدوارکننده، بهکارگیری روتین آن نیازمند مطالعات آیندهنگر، ‏دادههای استاندارد و متنوع، اعتبارسنجی چندمرکزی و نظارت متخصصان است.‏‎. ‎هوش مصنوعی‎ ‎باید مکمل معاینه بالینی و ‏روشهای تشخیصی استاندارد باشد و جایگزین قضاوت دندانپزشک و تأیید هیستوپاتولوژیک نشود‎.‎