پژوهشگران دانشکده فنی دانشگاه تهران سامانهای مبتنی بر هوش مصنوعی تولید کردهاند که تصاویر پانورامیک دندان را با دقت و سرعت بالا تحلیل میکند. این سیستم قادر است پوسیدگیها، بیماریهای لثه و دندانهای نهفته را شناسایی کرده و محل دقیق ضایعات را نشان دهد؛ ابزاری که میتواند بهعنوان دستیار متخصصان در تشخیص و برنامهریزی درمانی بهکار رود.
چرا تصاویر پانورامیک برای دندانپزشکی مهماند؟
تصاویر پانورامیک اشعه ایکس نمایی گسترده از تاج و ریشه دندانها، وضعیت لثه و استخوان فک ارائه میدهند و در بررسی ناهنجاریهای آناتومیک، ارزیابی شرایط ایمپلنت و برنامهریزی درمانهای ارتودنسی نقش کلیدی ایفا میکنند. با این حال، تفسیر دستی این تصاویر زمانبر است و به تجربه و خستگی پزشک وابسته است؛ همین جاست که تحلیل تصاویر دندانپزشکی مبتنی بر هوش مصنوعی میتواند تفاوت بسازد.
چطور این سامانه کار میکند؟
محققان این پروژه، به سرپرستی رضا آقاییزاده ظروفی و با اجرای مهدیه دهقانی، یک مدل شبکه عصبی پیشرفته بر پایه معماری YOLOv11 توسعه دادهاند. مدل روی یک مجموعهداده عمومی آموزش دیده و قادر است بهصورت خودکار نواحی مشکوک را در تصویر تشخیص دهد و احتمال درستی تشخیص را بهصورت عددی اعلام کند. خروجی سیستم شامل باکسهای محل ضایعه، برچسب نوع ناهنجاری (مثلاً پوسیدگی، بیماری لثه، نهفتگی دندان) و سطح اطمینان برای هر تشخیص است.
جزئیات فنی کوتاه
- معماری: نسخهای بهینهشده از YOLOv11 برای تشخیص چندکلاسی در تصاویر پانورامیک.
- آموزش: استفاده از مجموعهدادههای عمومی همراه با افزایش داده (data augmentation) برای افزایش تحمل نسبت به نویز و تفاوتهای فوتوفنی.
- خروجی: مکان دقیق ضایعه، طبقهبندی نوع ناهنجاری و امتیاز اطمینان (probability/confidence).
کاربردها و مزیتهای عملی
یکی از نقاط قوت این مطالعه کاربردی شدن سامانه بهصورت یک اپلیکیشن وب است؛ بهطوری که دندانپزشکان و رادیولوژیستها بتوانند بهسادگی تصاویر پانورامیک را آپلود کنند و گزارش سریع دریافت کنند. سامانه با مشخص کردن محل دقیق مشکلات، در اولویتبندی و تصمیمگیری سریعتر کمک میکند و بهعنوان ناظر دوم میتواند خطاهای ناشی از خستگی یا حجم بالای کار را کاهش دهد.
افزایش سرعت و دقت بالینی
طبق گزارش تیم پژوهشی، مدل پیشنهادی در مقایسه با نسخههای قبلی دقت بالاتری در شناسایی و طبقهبندی ناهنجاریها نشان داده است. این بهبود میتواند سرعت فرآیند گزارشنویسی را افزایش دهد و اعتماد بالینی در تشخیصهای اولیه را تقویت کند. کاربرد عملی بهشکل اپ وب، بهرهبرداری را برای مراکز درمانی و کلینیکها تسهیل میکند.
محدودیتها و مسیرهای توسعه
هرچند نتایج امیدوارکنندهاند، اما چالشهایی باقی است: نیاز به مجموعهدادههای متنوعتر برای پوشش تفاوتهای قومیتی و دستگاهی، بررسی عملکرد در شرایط بالینی مختلف و اعتبارسنجی در مراکز متعدد. همچنین تلفیق دادههای بالینی دیگر (مانند سابقه پزشکی یا تصاویر داخل دهانی) میتواند عملکرد را بهبود دهد.
چشمانداز
ترکیب هوش مصنوعی با تجربه بالینی میتواند روند تشخیص و درمان دندانپزشکی را قابلاتکا و سریعتر کند. نسلهای بعدی این سامانه ممکن است قابلیتهای پیشرفتهتری مانند ارزیابی ریسک پیشرفت بیماری، پیشنهاد برنامه درمانی و یکپارچهسازی با پرونده الکترونیک بیمار (EHR) داشته باشند.
در مجموع، این پژوهش نمونهای از کاربرد عملی هوش مصنوعی در بهداشت و درمان است: ابزاری کمکی که با ارائه تحلیل تصاویر پانورامیک، میتواند نقش تکمیلی مؤثری در تصمیمگیریهای بالینی و بهبود کیفیت مراقبتهای دندانپزشکی ایفا کند.
