AI w praktyce dentystycznej – wsparcie w wykrywaniu zębów zatrzymanych

Sztuczna inteligencja coraz częściej wspiera stomatologów w analizie badań obrazowych, zwiększając wykrywalność trudnych przypadków, takich jak zęby zatrzymane. Najnowsze badanie nad systemami opartymi na AI wskazuje, że technologie te mogą nie tylko przyspieszyć ocenę zdjęć RTG, ale także poprawić wykrywalność trudnych przypadków, takich jak zęby zatrzymane – co może mieć istotny wpływ na planowanie leczenia i wyniki leczenia pacjentów.

Zęby zatrzymane nie wyrzynają się prawidłowo w łuku zębowym i pozostają częściowo lub całkowicie zakryte kością albo błoną śluzową. Najczęściej dotyczy to „ósemek”, ale może również obejmować inne zęby, jak kły czy siekacze. Niewłaściwa ocena ich lokalizacji może prowadzić do powikłań, takich jak przemieszczenia innych zębów, torbiele czy stany zapalne.

Jak AI wspiera diagnostykę?

W przeglądzie badań „AI-Assisted Diagnosis of Impacted Teeth Other than Third Molars: A Systematic Review”, opublikowanym 7 marca w „Journal of Dentistry” naukowcy z Belgii ocenili, jak algorytmy sztucznej inteligencji radzą sobie z analizą radiografii w kierunku wykrywania zębów zatrzymanych. Poddali analizie ponad 30 badań, w których wykorzystywano różne techniki AI, głównie oparte na uczeniu głębokim (deep learningu), do automatycznego wykrywania i klasyfikacji problemów na obrazach panoramicznych i tomograficznych.

Modele AI wykazują wysoką skuteczność

W większości analizowanych badań AI osiągnęła wysokie wyniki w wykrywaniu i klasyfikacji zębów zatrzymanych – ponad 70% wskaźników diagnostycznych takich jak czułość, specyficzność czy dokładność przekraczało 0,8. Algorytmy oparte na głębokich sieciach neuronowych radziły sobie dobrze zarówno ze zdjęciami pantomograficznymi, jak i trójwymiarowymi badaniami CBCT.

– Systemy diagnostyczne oparte na sztucznej inteligencji wykazują obiecujący potencjał w zakresie wykrywania, klasyfikacji, segmentacji i prognozowania zębów zatrzymanych innych niż trzecie zęby trzonowe – napisali autorzy pod kierownictwem dr Lei Yu z Katedry Nauk o Zdrowiu Jamy Ustnej Uniwersytetu Katolickiego w Leuven (Belgia).

Ograniczenia i wyzwania kliniczne

Mimo obiecujących wyników, obecne zastosowania AI nadal mają ograniczenia. Większość badań skupiała się na wykrywaniu zatrzymanych kłów i zębów dodatkowych, a znacznie mniej danych dotyczyło innych lokalizacji zatrzymania. Ponadto wiele algorytmów działa w kontrolowanych warunkach badawczych, co nie zawsze przekłada się bezpośrednio na warunki kliniczne. Autorzy podkreślają potrzebę większych, wieloośrodkowych zestawów danych oraz jasności działania modeli – szczególnie w kontekście praktycznym i bezpieczeństwa pacjentów.

Perspektywy integracji AI w praktyce stomatologicznej

Celem stosowania AI w stomatologii nie jest zastąpienie lekarza, ale pełnienie roli „inteligentnego asystenta”. W codziennej praktyce dentysta może włączyć narzędzie AI do analizy radiografii, aby szybciej zauważyć potencjalne anomalie i skupić się na bardziej precyzyjnym planowaniu leczenia. Takie wsparcie może być przydatne w praktykach, w których przyjmuje się wielu pacjentów, takich jak np. kliniki ortodontyczne czy chirurgii szczękowo twarzowej.

Ponadto rozwój metod AI – również poza wykrywaniem zębów zatrzymanych, np. w analizie próchnicy czy zmian okołozębnych – pokazuje, że algorytmy te stają się realnym narzędziem przyszłości stomatologii.

Podsumowując, sztuczna inteligencja nie zastąpi lekarza, ale staje się nieocenionym wsparciem w diagnostyce stomatologicznej, zwiększając skuteczność i bezpieczeństwo leczenia.

Źródło: https://www.rdhmag.com/

Jakie mogą być zastosowania sztucznej inteligencji w radiologii stomatologicznej? – W tej chwili sztuczna inteligencja pozwala na przeprowadzenie segmentacji, superimpozycji, badań przed i po terapii, a także przewidywanie wyników, jakie możemy uzyskać po leczeniu ortodontycznym czy chirurgicznym – mówi dr hab. n. med. Piotr Regulski, prodziekan Wydziału Lekarsko-Stomatologicznego WUM, pracownik Zakładu Radiologii Stomatologicznej i Szczękowo-Twarzowej oraz kierownik Pracowni Obrazowania Cyfrowego i Wirtualnej Rzeczywistości WUM, autor ponad 50 artykułów naukowych i wystąpień zjazdowych, który w swojej pracy naukowo-badawczej zajmuje się m.in. algorytmami sztucznej inteligencji i metodami przetwarzania obrazów medycznych.