Штучний інтелект в ендодонтії: актуальні тренди та практичні перспективи
DOI:
https://doi.org/10.56569/UDJ.2.1.2023.96-101Ключові слова:
штучний інтелект, ендодонтія, огляд, обробка зображень, комп'ютерна обробка данихАнотація
Вступ. Загальний пул досліджень щодо впровадження штучного інтелекту (ШІ) у стоматології збільшується з кожним роком, тоді як можливості використання методів ШІ, у повсякденній ендодонтичній практиці, все ще досить обмежені та не завжди достатньо підтверджені.
Мета. Систематизувати та виокремити основні дані щодо використання віртуального штучного інтелекту для різноманітних клінічних цілей в ендодонтичній практиці.
Матеріали та методи. Цільовий пошук літератури здійснювався в базах даних Національного центру біотехнологічної інформації за допомогою попередньо визначеного алгоритму Медичних предметних рубрик (Mesh-terms). Під час аналізу контенту з кожної публікації було вибрано наступні дані: аспекти діагностики та планування ендодонтичного лікування, для яких можна застосувати методи ШІ; рівні точності, зареєстровані для моделей ШІ, які використовуються для різних ендодонтичних цілей; обмеження використання ШІ в ендодонтичній практиці.
Результати. Функції штучного інтелекту можна використовувати в ендодонтичній практиці в наступних цілях: аналіз морфології кореневого каналу, ідентифікація переломів кореня, верифікація періапікальних уражень, оцінка робочої довжини кореневого каналу, планування лікування кореневого каналу, прогнозування розвитку болю в період після лікування, прогнозування успішності ендодонтичних втручань. Найбільш поширеними методами штучного інтелекту, які можуть бути використані для різних цілей діагностики та планування лікування в ендодонтичній практиці, є наступні: згорткова нейронна мережа, штучна нейронна мережа, аргументація на основі прецедентів, глибинне навчання, машинне навчання, нейромережа на основі системи нечіткого виведення, ймовірнісна нейронна мережа.
Висновки. Основна перевага використання моделей штучного інтелекту в ендодонтичній практиці пов’язана з підвищенням рівня діагностичної точності та редукцією затрат часу, необхідних для опрацювання рентгенологічних зображень та аналізу клінічних даних. Застосування штучного інтелекту для верифікації апікального отвору та визначення робочої довжини характеризується виражено вищим рівнем точності порівняно з продуктивністю моделей ШІ, застосовуваних для інших клінічних цілей в ендодонтичній практиці.
Посилання
Khanagar SB, Alfadley A, Alfouzan K, Awawdeh M, Alaqla A, Jamleh A. Developments and Performance of Artificial Intelligence Models Designed for Application in Endodontics: A Systematic Review. Diagnostics. 2023;13(3):414. doi: https://doi.org/10.3390/diagnostics13030414
Karobari MI, Adil AH, Basheer SN, Murugesan S, Savadamoorthi KS, Mustafa M, Abdulwahed A, Almokhatieb AA. Evaluation of the Diagnostic and Prognostic Accuracy of Artificial Intelligence in Endodontic Dentistry: A Comprehensive Review of Literature. Comput Math Methods Med. 2023;2023:7049360. doi: https://doi.org/10.1155/2023/7049360
Schwendicke FA, Samek W, Krois J. Artificial intelligence in dentistry: chances and challenges. J Dent Res. 2020;99(7):769-74. doi: https://doi.org/10.1177/0022034520915714
Rodrigues JA, Krois J, Schwendicke F. Demystifying artificial intelligence and deep learning in dentistry. Braz Oral Res. 2021;35:e094. doi: https://doi.org/10.1590/1807-3107bor-2021.vol35.0094
Sadr S, Mohammad-Rahimi H, Motamedian SR, Zahedrozegar S, Motie P, Vinayahalingam S, Dianat O, Nosrat A. Deep learning for detection of periapical radiolucent lesions: a systematic review and meta-analysis of diagnostic test accuracy. J Endod. 2023;49(3):248-61. doi: https://doi.org/10.1016/j.joen.2022.12.007
Hiraiwa T, Ariji Y, Fukuda M, Kise Y, Nakata K, Katsumata A, Fujita H, Ariji E. A deep-learning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography. Dentomaxillofac Radiol. 2019;48(3):20180218. doi: https://doi.org/10.1259/dmfr.20180218
Aminoshariae A, Kulild J, Nagendrababu V. Artificial intelligence in endodontics: current applications and future directions. J Endod. 2021;47(9):1352-7. doi: https://doi.org/10.1016/j.joen.2021.06.003
Boreak N. Effectiveness of artificial intelligence applications designed for endodontic diagnosis, decision-making, and prediction of prognosis: a systematic review. J Contemp Dent Pract. 2020;21(8):926-34.
Fatehi F, Gray LC, Wootton R. How to improve your PubMed/MEDLINE searches: 3. advanced searching, MeSH and My NCBI. J Telemed Telecare. 2014;20(2):102-12. doi: https://doi.org/10.1177/1357633X13519036
Kim S, Yeganova L, Wilbur WJ. Meshable: searching PubMed abstracts by utilizing MeSH and MeSH-derived topical terms. Bioinformatics. 2016;32(19):3044-6. doi: https://doi.org/10.1093/bioinformatics/btw331
Mao Y, Lu Z. MeSH Now: automatic MeSH indexing at PubMed scale via learning to rank. J Biomed Semantics. 2017;8(1):15. doi: https://doi.org/10.1186/s13326-017-0123-3
Umer F, Habib S. Critical analysis of artificial intelligence in endodontics: a scoping review. J Endod. 2022;48(2):152-60. doi: https://doi.org/10.1016/j.joen.2021.11.007
Hu Z, Cao D, Hu Y, Wang B, Zhang Y, Tang R, Zhuang J, Gao A, Chen Y, Lin Z. Diagnosis of in vivo vertical root fracture using deep learning on cone-beam CT images. BMC Oral Health. 2022;22(1):382. doi: https://doi.org/10.1186/s12903-022-02422-9
Johari M, Esmaeili F, Andalib A, Garjani S, Saberkari H. Detection of vertical root fractures in intact and endodontically treated premolar teeth by designing a probabilistic neural network: an ex vivo study. Dentomaxillofac Radiol. 2017;46(2):20160107. doi: https://doi.org/10.1259/dmfr.20160107
Hu Y, Cao D, Wang B, Chen Y, Lin Z. Preliminary Exploration of Artificial Intelligence in Diagnosis of Displaced Root Fracture Based on Convolutional Neural Network. J Oral Sci Res. 2022;38(10):959-62. doi: https://doi.org/10.13701/j.cnki.kqyxyj.2022.10.012
Fukuda M, Inamoto K, Shibata N, Ariji Y, Yanashita Y, Kutsuna S, Nakata K, Katsumata A, Fujita H, Ariji E. Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography. Oral Radiol. 2020;36:337-43. doi: https://doi.org/10.1007/s11282-019-00409-x
Orhan K, Bayrakdar IS, Ezhov M, Kravtsov A, Özyürek TA. Evaluation of artificial intelligence for detecting periapical pathosis on cone‐beam computed tomography scans. Int Endod J. 2020;53(5):680-9. doi: https://doi.org/10.1111/iej.13265
Setzer FC, Shi KJ, Zhang Z, Yan H, Yoon H, Mupparapu M, Li J. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. J Endod. 2020;46(7):987-93. doi: https://doi.org/10.1016/j.joen.2020.03.025
Calazans MA, Ferreira FA, Alcoforado MD, Santos AD, Pontual AD, Madeiro F. Automatic Classification System for Periapical Lesions in Cone-Beam Computed Tomography. Sensors. 2022;22(17):6481. doi: https://doi.org/10.3390/s22176481
Albitar L, Zhao T, Huang C, Mahdian M. Artificial Intelligence (AI) for Detection and Localization of Unobturated Second Mesial Buccal (MB2) Canals in Cone-Beam Computed Tomography (CBCT). Diagnostics. 2022 Dec 18;12(12):3214. doi: https://doi.org/10.3390/diagnostics12123214
Buyuk C, Arican Alpay B, Er F. Detection of the separated root canal instrument on panoramic radiograph: a comparison of LSTM and CNN deep learning methods. Dentomaxillofac Radiol. 2023;52(3):20220209. doi: https://doi.org/10.1259/dmfr.20220209
Jeon SJ, Yun JP, Yeom HG, Shin WS, Lee JH, Jeong SH, Seo MS. Deep-learning for predicting C-shaped canals in mandibular second molars on panoramic radiographs. Dentomaxillofac Radiol. 2021;50(5):20200513. doi: https://doi.org/10.1259/dmfr.20200513
Yang S, Lee H, Jang B, Kim KD, Kim J, Kim H, Park W. Development and validation of a visually explainable deep learning model for classification of C-shaped canals of the mandibular second molars in periapical and panoramic dental radiographs. J Endod. 2022;48(7):914-21. doi: https://doi.org/10.1016/j.joen.2022.04.007
Gao X, Xin X, Li Z, Zhang W. Predicting postoperative pain following root canal treatment by using artificial neural network evaluation. Sci Rep. 2021;11(1):17243. doi: https://doi.org/10.1038/s41598-021-96777-8
Campo L, Aliaga IJ, De Paz JF, García AE, Bajo J, Villarubia G, Corchado JM. Retreatment predictions in odontology by means of CBR systems. Comput Intell Neurosci. 2016;2016:7485250. doi: https://doi.org/10.1155/2016/7485250
Bindal P, Bindal U, Kazemipoor M, Jha SK. Hybrid machine learning approaches in viability assessment of dental pulp stem cells treated with platelet-rich concentrates on different periods. App Med Inform. 2019;41(3):93-101.
Mohan SP, Ramalingam M. Dental pulp stem cells in neuroregeneration. J Pharm Bioallied Sci. 2020;12(Suppl 1):S60-S66. doi: https://doi.org/10.4103/jpbs.JPBS_229_20
Richert R, Ducret M, Alliot‐Licht B, Bekhouche M, Gobert S, Farges JC. A critical analysis of research methods and experimental models to study pulpitis. Int Endod J. 2022;55:14-36. doi: https://doi.org/10.1111/iej.13683
Ramezanzade S, Laurentiu T, Bakhshandah A, Ibragimov B, Kvist T, Bjørndal L. The efficiency of artificial intelligence methods for finding radiographic features in different endodontic treatments-a systematic review. Acta Odontol Scand. 2022;1-4. doi: https://doi.org/10.1080/00016357.2022.2158929
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
##category.category##
Ліцензія
Авторське право (c) 2023 The Author(s)
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
